Sie sind auf Seite 1von 288

1

ANLISIS NUMRICO BSICO


Un enfoque algortmico con el soporte de MATLAB
ISBN 978-9942-922-01-4
Revisin 3

Escuela Superior Politcnica del Litoral, ESPOL


Facultad de Ciencias Naturales y Matemticas
Departamento de Matemticas

Guayaquil, Ecuador
2014
Luis Rodrguez Ojeda, MSc.

CONTENIDO
1

Introduccin
1.1
Resolucin de problemas con el computador
1.2
Fuentes de error en la resolucin de un problema numrico
1.3
El modelo matemtico
1.4
Algoritmos numricos
1.5
Instrumentacin computacional
1.6
Un ejemplo inicial
1.7
Preguntas

8
8
9
9
9
9
10
12

Tipos de mtodos numricos


2.1
Mtodos iterativos
2.1.1
Convergencia de los mtodos iterativos
2.1.2
Error de truncamiento
2.1.3
Finalizacin de un proceso iterativo
2.1.4
Error de truncamiento y estimacin del error
2.1.5
Eficiencia de un mtodo iterativo
2.1.6
Eleccin del valor inicial
2.1.7
Preguntas
2.2
Mtodos directos
2.2.1
Error de redondeo
2.2.2
Error en la representacin de nmeros reales
2.2.3
Error de redondeo en las operaciones aritmticas
2.2.4
Propagacin del error de redondeo en operaciones aritmticas
2.2.5
Eficiencia de los mtodos directos
2.2.6
La notacin O( )
2.2.7
Ejercicios

13
13
16
16
16
17
17
18
18
19
21
21
22
24
26
27
29

Races reales de ecuaciones no-lineales


3.1
Mtodo de la biseccin
3.1.1
Existencia de la raz real
3.1.2
Convergencia del mtodo de la biseccin
3.1.3
Algoritmo del mtodo de la biseccin
3.1.4
Eficiencia del mtodo de la biseccin
3.1.5
Instrumentacin computacional del mtodo de la biseccin
3.2
Mtodo del punto fijo
3.2.1
Existencia del punto fijo
3.2.2
Convergencia del mtodo del punto fijo
3.2.3
Unicidad del punto fijo
3.2.4
Algoritmo del punto fijo
3.2.5
Eficiencia del mtodo del punto fijo
3.3
Mtodo de Newton
3.3.1
La frmula de Newton
3.3.2
Algoritmo del mtodo de Newton
3.3.3
Interpretacin grfica de la frmula de Newton
3.3.4
Convergencia del mtodo de Newton
3.3.5
Una condicin de convergencia local para el mtodo de Newton
3.3.6
Prctica computacional
3.3.7
Instrumentacin computacional del mtodo de Newton
3.3.8
Uso de funciones especiales de MATLAB
3.4
Ejercicios y problemas de ecuaciones no-lineales
3.5
Races reales de sistemas de ecuaciones no-lineales
3.5.1
Frmula iterativa de segundo orden para calcular races reales
de sistemas de ecuaciones no-lineales
3.5.2
Convergencia del mtodo de Newton para sistemas no-lineales
3.5.3
Algoritmo del mtodo de Newton para sistemas no-lineales
3.5.4
Prctica computacional
3.5.5
Instrumentacin computacional del mtodo de Newton para
resolver un sistema de n ecuaciones no-lineales
3.5.6
Uso de funciones de MATLAB para resolver sistemas no-lineales
3.5.7
Obtencin de la frmula iterativa de segundo orden para calcular
races reales de sistemas de ecuaciones no-lineales

30
30
30
31
32
33
33
33
35
35
36
37
40
41
41
42
44
45
45
48
53
54
54
59
59
59
60
61
62
65
65

3
3.5.8

Ejercicios y problemas con sistemas de ecuaciones no lineales

67

Mtodos directos para resolver sistemas de ecuaciones lineales


68
4.1
Determinantes y sistemas de ecuaciones lineales
69
4.2
Mtodo de Gauss-Jordan
69
4.2.1
Formulacin del mtodo de Gauss-Jordan
71
4.2.2
Algoritmo de Gauss-Jordan bsico
72
4.2.3
Eficiencia del mtodo de Gauss-Jordan
73
4.2.4
Prctica computacional
73
4.2.5
Instrumentacin computacional
75
4.2.5
Obtencin de la inversa de una matriz
76
4.3
Mtodo de Gauss
77
4.3.1
Formulacin del mtodo de Gauss
78
4.3.2
Algoritmo de Gaussn bsico
79
4.3.3
Eficiencia del mtodo de Gauss
80
4.3.4
Instrumentacin computacional
81
4.3.5
Estrategia de pivoteo
82
4.3.6
Algoritmo de Gauss con pivoteo
83
4.3.7
Instrumentacin computacional del mtodo de Gauss con pivoteo 84
4.3.8
Funciones de MATLAB para sistemas de ecuaciones lineales
85
4.3.9
Clculo del determinante de una matriz
85
86
4.3.10 Instrumentacin computacional para calcular determinantes
4.4
Sistemas mal condicionados
87
4.4.1
Definiciones
88
4.4.2
Algunas propiedades de normas
89
4.4.3
Nmero de condicin
89
4.4.4
El nmero de condicin y el error de redondeo
91
4.4.5
Funciones de MATLAB para normas y nmero de condicin
94
4.5
Sistemas singulares
95
4.5.1
Formulacin matemtica y algoritmo
95
4.5.2
Instrumentacin computacional
99
4.5.3
Uso de funciones de MATLAB
103
4.6
Sistema tridiagonales
104
4.6.1
Formulacin matemtica y algoritmo
104
4.6.2
Instrumentacin computacional
106

Mtodos iterativos para resolver sistemas de ecuaciones lineales


5.1
Mtodo de Jacobi
5.1.1
Formulacin matemtica
5.1.2
Manejo computacional de la frmula de Jacobi
5.1.3
Algoritmo de Jacobi
5.1.4
Instrumentacin computacional del mtodo de Jacobi
5.1.5
Forma matricial del mtodo de Jacobi
5.1.6
Prctica computacional con la notacin matricial
5.2
Mtodo de Gauss-Seidel
5.2.1
Formulacin matemtica
5.2.2
Manejo computacional de la frmula de Gauss-Seidel
5.2.3
Instrumentacin computacional del mtodo de Gauss-Seidel
5.2.4
Forma matricial del mtodo de Gauss-Seidel
5.3
Mtodo de relajacin
5.3.1
Formulacin matemtica
5.3.2
Manejo computacional de la frmula de relajacin
5.3.3
Forma matricial del mtodo de relajacin
5.4
Convergencia de los mtodos iterativos para sistemas lineales
5.4.1
Matriz de transicin para los mtodos iterativos
5.5
Eficiencia de los mtodos iterativos
5.6
Finalizacin de un proceso iterativo
5.7
Instrumentacin computacional del mtodo de Jacobi con el radio
espectral
5.8
Prctica computacional con los mtodos iterativos
5.9
Ejercicios y problemas con sistemas de ecuaciones lineales

107
107
107
108
109
109
110
111
112
112
113
113
114
115
115
116
116
117
118
121
121
121
123
127

4
6

Interpolacin
6.1
El polinomio de interpolacin
6.1.1
Existencia del polinomio de interpolacin
6.1.2
Unicidad del polinomio de interpolacin con diferentes mtodos
6.2
El polinomio de interpolacin de Lagrange
6.2.1
Algoritmo del polinomio de interpolacin de Lagrange
6.2.2
Eficiencia del mtodo de Lagrange
6.2.3
Instrumentacin computacional
6.3
Interpolacin mltiple
6.3.1
Instrumentacin computacional
6.4
Error en la interpolacin
6.4.1
Una frmula para estimar el error en la interpolacin
6.5
Diferencias finitas
6.5.1
Relacin entre derivadas y diferencias finitas
6.5.2
Diferencias finitas de un polinomio
6.6
El polinomio de interpolacin de diferencias finitas
6.6.1
Prctica computacional
6.6.2
Eficiencia del polinomio de interpolacin de diferencias finitas
6.6.3
El error en el polinomio de interpolacin de diferencias finitas
6.6.4
Forma estndar del polinomio de diferencias finitas
6.7
El polinomio de interpolacin de diferencias divididas
6.7.1
El error en el polinomio de interpolacin de diferencias divididas
6.8
El polinomio de mnimos cuadrados
6.8.1
Prctica computacional
6.9
Ejercicios y problemas con el polinomio de interpolacin
6.10
El trazador cbico
6.10.1 El trazador cbico natural
6.10.2 Algoritmo del trazador cbico natural
6.10.3 Instrumentacin computacional del trazador cbico natural
6.10.4 El trazador cbico sujeto
6.10.5 Algoritmo del trazador cbico sujeto
6.10.6 Instrumentacin computacional del trazador cbico sujeto
6.10.7 Ejercicios con el trazador cbico

135
135
136
137
138
138
140
140
142
144
145
146
147
148
149
150
152
153
155
157
158
161
162
164
165
169
169
172
174
176
177
178
181

Integracin numrica
7.1
Frmulas de Newton-Cotes
7.1.1
Frmula de los trapecios
7.1.2
Error de truncamiento en la frmula de los trapecios
7.1.3
Instrumentacin computacional de la frmula de los trapecios
7.1.4
Frmula de Simpson
7.1.5
Error de truncamiento en la frmula de Simpson
7.1.6
Instrumentacin computacional de la frmula de Simpson
7.1.7
Error de truncamiento vs. Error de redondeo
7.2
Obtencin de frmulas de integracin numrica con el mtodo de
coeficientes indeterminados
7.3
Cuadratura de Gauss
7.3.1
Frmula de la cuadratura de Gauss con dos puntos
7.3.2
Instrumentacin computacional de la cuadratura de Gauss
7.3.3
Instrumentacin extendida de la cuadratura de Gauss
7.4
Integrales con lmites no acotados
7.5
Integrales con rango no acotado
7.6
Integrales mltiples
7.6.1
Instrumentacin computacional de la frmula de Simpson en
dos direcciones
7.7
Ejercicios y problemas de integracin numrica

182
182
183
184
187
189
190
191
192

Diferenciacin numrica
8.1
Obtencin de frmulas de diferenciacin numrica
8.2
Una frmula para la primera derivada
8.3
Una frmula de segundo orden para la primera derivada
8.4
Una frmula para la segunda derivada
8.5
Obtencin de frmulas de diferenciacin numrica con el mtodo

194
195
195
198
198
199
200
201
205
207
212
212
212
214
215

8.6
8.7
8.8

de coeficientes indeterminados
Algunas otras frmulas de inters para evaluar derivadas
Extrapolacin para diferenciacin numrica
Ejercicios de diferenciacin numrica

216
217
217
218

Mtodos numricos para resolver ecuaciones diferenciales ordinarias


219
9.1
Ecuaciones diferenciales ordinarias de primer orden con la condicin
en el inicio
220
9.1.1
Existencia de la solucin
221
9.1.2
Mtodo de la serie de Taylor
221
9.1.3
Instrumentacin computacional
223
9.1.4
Obtencin de derivadas de funciones implcitas
224
9.1.5
Instrumentacin de un algoritmo general para resolver una E.D.O.
Con la serie de Taylor
226
9.1.6
Frmula de Euler
228
9.1.7
Error de truncamiento y error de redondeo
229
9.1.8
Instrumentacin computacional de la frmula de Euler
230
9.1.9
Frmula mejorada de Euler o frmula de Heun
231
9.1.10 Instrumentacin computacional de la frmula de Heun
233
9.1.11 Frmulas de Runge-Kutta
234
9.1.12 Instrumentacin computacional de la frmula de Runge-Kutta
236
9.2
Sistemas de ecuaciones diferenciales ordinarias de primer orden
con condiciones en el inicio
237
9.2.1
Frmula de Heun extendida a dos E. D. O. de primer orden
238
9.2.2
Instrumentacin computacional de la frmula de Heun para
dos E. D. O. de primer orden
239
9.2.3
Frmula de Runge-Kutta para dos E. D. O. de primer orden
y condiciones en el inicio
240
9.2.4
Instrumentacin computacional de la frmula de Runge-Kutta
para dos E.D.O de primer orden
241
9.3
Ecuaciones diferenciales ordinarias de mayor orden y condiciones
en el inicio
242
9.3.1
Instrumentacin computacional
243
9.4
Ecuaciones diferenciales ordinarias no lineales
244
9.5
Convergencia y estabilidad numrica
245
9.6
Ecuaciones diferenciales ordinarias con condiciones en los bordes
246
9.6.1
Mtodo de prueba y error (mtodo del disparo)
246
9.6.2
Mtodo de diferencias finitas
248
9.6.3
Instrumentacin computacional
250
9.6.4
Ecuaciones diferenciales ordinarias con condiciones en
los bordes con derivadas
252
9.6.5
Instrumentacin computacional
253
9.6.6
Normalizacin del dominio de la E.D.O.
255
9.7
Ejercicios con ecuaciones diferenciales ordinarias
256

10

Mtodos de diferencias finitas para resolver ecuaciones diferenciales parciales


10.1
Aproximaciones de diferencias finitas
10.2
Ecuaciones diferenciales parciales de tipo parablico
10.2.1 Un esquema de diferencias finitas explcito
10.2.2 Estabilidad del mtodo de diferencias finitas
10.2.3 Instrumentacin computacional
10.2.4 Un esquema de diferencias finitas implcito
10.2.5 Instrumentacin computacional
10.2.6 Prctica computacional
10.2.7 Condiciones variables en los bordes
10.2.8 Instrumentacin computacional
10.2.9 Mtodo de diferencias finitas para EDP no lineales
10.3
Ecuaciones diferenciales parciales de tipo elptico
10.3.1 Un esquema de diferencias finitas implcito
10.3.2 Instrumentacin computacional
10.4
Ecuaciones diferenciales parciales de tipo hiperblico
10.4.1 Un esquema de diferencias finitas explcito

259
259
260
261
263
264
266
267
269
269
271
273
274
275
277
280
280

10.5

10.4.2 Instrumentacin computacional


Ejercicios con ecuaciones diferenciales parciales

Bibliografa

283
285
288

ANLISIS NUMRICO BSICO


Un enfoque algortmico con el soporte de MATLAB

Prefacio
Esta obra es una contribucin dedicada a los estudiantes que toman el curso de Anlisis Numrico en las
carreras de ingeniera en la ESPOL. El pre-requisito es haber tomado los cursos de matemticas del ciclo
bsico de nivel universitario y alguna experiencia previa con el programa MATLAB para aprovechar el poder
de este instrumento computacional y aplicar los mtodos numricos de manera efectiva.
El contenido se basa en la experiencia desarrollada en varios aos impartiendo los cursos de Anlisis
Numrico y Mtodos Numricos en las carreras de ingeniera, sin embargo esta obra solo pretende ser un
texto complementario para estas materias. La orientacin principal del material es su aplicacin
computacional, sin descuidar los conceptos matemticos bsicos con los que se fundamentan los mtodos
numricos.
Este texto contribuye tambin a difundir entre los estudiantes el uso del programa MATLAB para clculos,
graficacin y manejo matemtico simblico para integrarlo como un soporte comn para todos los cursos
bsicos matemticos, incluyendo lgebra Lineal, Clculo Diferencial e Integral, Ecuaciones Diferenciales,
Anlisis Numrico y otros.
MATLAB dispone de un amplio repertorio de funciones especiales para su aplicacin inmediata en la
solucin de una gran cantidad de problemas matemticos, sin embargo sera equivocado usarlas como una
receta sin el conocimiento de sus fundamentos matemticos. En este curso se desarrollan algunas
funciones alternativas a las que ofrece MATLAB, y en algunos casos, nuevas funciones cuya programacin
es instructiva para orientar a los estudiantes en el desarrollo de software para matemticas e ingeniera.
El segundo objetivo principal de esta obra es contribuir al desarrollo de textos virtuales en la ESPOL de tal
manera que puedan ser usados en lnea e interactivamente, aunque tambin puedan imprimirse, pero
tratando de reducir al mnimo el uso de papel. Otra ventaja importante de los textos virtuales es que pueden
ser actualizados y mejorados continuamente sin costos de impresin. El texto ha sido compilado en formato
pdf. El tamao del texto en pantalla es controlable y tiene un ndice electrnico para facilitar la bsqueda
de temas. Se pueden usar facilidades para resaltar y marcar texto, agregar comentarios, notas, enlaces,
revisiones, bsqueda por contenido, etc.
Adjunto a este libro virtual se provee un documento en formato de texto copiable con todas las funciones
instrumentadas en MATLAB desarrolladas en este documento, de tal manera que los usuarios puedan
tomarlas y pegarlas en la ventana de edicin de MATLAB, probarlas inmediatamente y posteriormente
realizar cambios y mejoras en las mismas.
Tambin se adjunta un manual de uso del programa MATLAB para los usuarios que deseen adquirir o
mejorar su conocimiento de este programa.
Esta obra tiene derechos de autor pero es de uso y distribucin libres y sin costo y estar disponible en la
pgina web del Instituto de Ciencias Matemticas de la ESPOL www.icm.espol.edu.ec
Finalmente, debo agradecer a la ESPOL y a sus autoridades por dar las facilidades a sus profesores para
que desarrollen su actividad acadmica.

Luis Rodrguez Ojeda, MSc.


lrodrig@espol.edu.ec
Instituto de Ciencias Matemticas
Escuela Superior Politcnica del Litoral
2011

ANLISIS NUMRICO
Un enfoque algortmico con el soporte de MATLAB
1

INTRODUCCIN

Anlisis Numrico es una rama de la matemtica cuyo objetivo principal es el estudio de


mtodos para resolver problemas numricos complejos. El estudio de estos mtodos no es
reciente, pero actualmente con el apoyo de la computacin se los puede usar con mucha
eficiencia en la resolucin de problemas que antes no era posible.
En este curso se proporciona a los estudiantes el conocimiento matemtico bsico para proveer
soporte y formalidad a cada uno de los mtodos estudiados. Se desarrolla la forma algortmica
de los mtodos y finalmente se instrumenta su forma computacional usando la capacidad de
clculo, visualizacin y programacin de MATLAB. Este componente prctico del curso es
desarrollado en un laboratorio de computacin.
El estudio de cada mtodo se complementa con el desarrollo de ejemplos y ejercicios que
pueden resolverse con la ayuda de una calculadora. Sin embargo, el objetivo principal del curso
es la aplicacin de los mtodos para obtener respuestas con precisin controlada en la
resolucin de algunos problemas de ingeniera que por su complejidad requieren usar el
computador.

1.1

Resolucin de problemas con el computador

Suponer un problema que debemos resolver y que est en nuestro mbito de conocimiento.
En la etapa de Anlisis es necesario estudiar y entender el problema. Sus caractersticas, las
variables y los procesos que intervienen. Asimismo, debemos conocer los datos requeridos y el
objetivo esperado. En el caso de problemas de tipo numrico, el resultado de esta etapa ser un
modelo matemtico que caracteriza al problema. Por ejemplo, un sistema de ecuaciones
lineales.
En la etapa de Diseo procedemos a elegir el mtodo numrico apropiado para resolver el
modelo matemtico. Debe suponerse que no se puede, o que sera muy laborioso, obtener la
solucin exacta mediante mtodos analticos. Los mtodos numricos permiten obtener
soluciones aproximadas con simplicidad. El resultado de esta etapa es la formulacin
matemtica del mtodo numrico y la elaboracin de un algoritmo para usarlo.
En la etapa de Instrumentacin elegimos el dispositivo de clculo para la obtencin de
resultados. En problemas simples, basta una calculadora. Para problemas complejos,
requerimos el computador mediante funciones predefinidas y en algunos casos, desarrollando
programas y funciones en un lenguaje computacional. Esta ltima opcin es importante para la
comprensin de los mtodos.
Este proceso debe complementarse con una revisin y retroalimentacin. Es preferible invertir
ms tiempo en las primeras etapas, antes de llegar a la instrumentacin.

9
1.2

Fuentes de error en la resolucin de un problema numrico

En el Anlisis pueden introducirse errores debido a suposiciones inadecuadas, simplificaciones


y omisiones al construir el modelo matemtico. Estos errores se denominan errores inherentes.
En el Diseo se pueden introducir errores en los mtodos numricos utilizados los cuales se
construyen mediante frmulas y procedimientos simplificados para obtener respuestas
aproximadas. Tambin se pueden introducir errores al usar algoritmos iterativos. Estos errores
se denominan errores de truncamiento.
En la Instrumentacin se pueden introducir errores en la representacin finita de los nmeros
reales en los dispositivos de almacenamiento y en los resultados de las operaciones aritmticas.
Este tipo de error se denomina error de redondeo. Tambin se pueden introducir errores de
redondeo al usar datos imprecisos.
Los errores son independientes y su efecto puede acumularse. En el caso del error de redondeo
el efecto puede incrementarse si los valores que se obtienen son usados en forma consecutiva
en una secuencia de clculos.
Debido a que los mtodos numricos en general permiten obtener nicamente aproximaciones
para la respuesta de un problema, es necesario definir alguna medida para cuantificar el error en
el resultado obtenido. Normalmente no es posible determinar exactamente este valor por lo que
al menos debe establecerse algn criterio para estimarlo o acotarlo. Esta informacin es til
para conocer la precisin de los resultados calculados.

1.3

El modelo matemtico

Al resolver un problema con el computador, la parte ms laboriosa normalmente es el anlisis del


problema y la obtencin del modelo matemtico que finalmente se usa para obtener la solucin.
El modelo matemtico es la descripcin matemtica del problema que se intenta resolver. Esta
formulacin requiere conocer el mbito del problema y los instrumentos matemticos para su
definicin.

1.4

Algoritmos numricos

Un algoritmo es una descripcin ordenada de los pasos necesarios para resolver un problema.
Para disear un algoritmo para resolver un problema numrico es necesario conocer en detalle
la formulacin matemtica, las restricciones de su aplicacin, los datos y algn criterio para
validar y aceptar los resultados obtenidos.
Esta descripcin facilita la instrumentacin computacional del mtodo numrico. En problemas
simples puede omitirse la elaboracin del algoritmo e ir directamente a la codificacin
computacional.

1.5

Instrumentacin computacional

En este curso se usar MATLAB para instrumentar los algoritmos correspondientes a los
mtodos numricos estudiados. La aplicacin computacional puede realizarse usando
directamente la funcionalidad disponible en el lenguaje, sin embargo para comprender y aplicar
los mtodos numricos es preferible instrumentar el algoritmo construyendo funciones en el
lenguaje computacional y tratando de que sean independientes de los datos especficos de un
problema particular, facilitando as su reutilizacin. Estas funciones pueden llamarse desde la
ventana de comandos o mediante un programa que contiene los datos del problema que se
desea resolver. Se supondr que los estudiantes tienen el conocimiento bsico del lenguaje y
del entorno de MATLAB.

10

1.6

Un ejemplo inicial

A continuacin se proporciona un ejemplo para seguir el procedimiento descrito en la resolucin


de un problema con los mtodos numricos.

Problema. Se necesita un recipiente rectangular, sin tapa, de un litro de capacidad. Para


construirlo se debe usar una lmina rectangular de 32 cm de largo y 24 cm de ancho. El
procedimiento ser recortar un cuadrado idntico en cada una de las cuatro esquinas y doblar
los bordes de la lmina para formar el recipiente.
Determine la medida del lado del cuadrado que se debe recortar en cada esquina para que el
recipiente tenga la capacidad requerida.

Anlisis
Para formular el modelo matemtico el problema debe entenderse detalladamente. En este
ejemplo un dibujo facilita su elaboracin.
Sea:

x: medida del lado de los cuadrados que se deben recortar para formar la caja

Lados de la caja (cm):

x, (32 2x), (24 2x)

Volumen:

1 litro = 1000 cm

Ecuacin:

1000 = (32 2x)(24 2x)x

250 192x + 28x x = 0


El modelo matemtico es una ecuacin polinmica de tercer grado que no se puede resolver
directamente con la conocida frmula de la ecuacin cuadrtica, por lo tanto se utilizar un
mtodo numrico.

Algoritmo
No es necesario construir un algoritmo pues los clculos sern realizados directamente en la
ventana de comandos de MATLAB usando la funcionalidad disponible en el lenguaje

11
Instrumentacin
Definicin de la ecuacin (se escribe como una expresin entre comillas simples)
>> f='250-192*x+28*x^2-x^3';
Grfico de la ecuacin con el comando EZPLOT:
>> ezplot(f,[0,20]),grid on

300
200
100
0
-100
-200
-300
-400
0

10
x

12

14

16

18

20

Se observan tres respuestas reales positivas para la ecuacin.

Obtencin de la solucin con el comando SOLVE


>> f='250-192*x+28*x^2-x^3';
>> x=eval(solve(f))
x=
18.2105
1.6963
8.0932
La primera respuesta no es factible para el problema, pues se obtendran valores negativos para
las dimensiones de la caja. La segunda respuesta pudiera ser descartada porque la caja tendra
una apariencia muy plana, por lo cual elegimos la ltima como la respuesta adecuada.
x = 8.0932

Respuesta
Lados de la caja en centmetros:

8.0932,

15.8136,

7.8136

12
1.7

Preguntas

1. Cual etapa del proceso de resolucin de un problema numrico requiere mayor atencin?
2. Qu conocimientos son necesarios para formular un modelo matemtico?
3. En el ejemplo del recipiente, Cual sera la desventaja de intentar obtener experimentalmente
la solucin mediante prueba y error en lugar de analizar el modelo matemtico?
4. Que es ms crtico: el error de truncamiento o el error de redondeo?
5. Cul es la ventaja de instrumentar computacionalmente un mtodo numrico?
6. Por que es importante validar los resultados obtenidos?

13
2

TIPOS DE MTODOS NUMRICOS

Existen dos estrategias para disear mtodos numricos y es importante conocer sus
caractersticas para elegirlos adecuadamente, as como su instrumentacin computacional

2.1

Mtodos iterativos

Los mtodos iterativos son procedimientos para acercarse a la respuesta mediante


aproximaciones sucesivas. Estos mtodos incluyen frmulas que tienen la propiedad de producir
un resultado ms cercano a la respuesta a partir de un valor inicial estimado. El resultado
obtenido se puede usar nuevamente como valor anterior para continuar mejorando la respuesta.
Se deben considerar algunos aspectos tales como la eleccin del valor inicial, la propiedad de
convergencia de la frmula y el criterio para terminar las iteraciones.
Estos mtodos son auto-correctivos. La precisin de la respuesta est dada por la distancia entre
el ltimo valor calculado y la respuesta esperada. Esto constituye el error de truncamiento.
El siguiente grfico describe la estructura de un mtodo iterativo

Cada ciclo se denomina iteracin. Si la frmula converge, en cada iteracin la respuesta estar
ms cerca del resultado buscado. Aunque en general no es posible llegar a la respuesta exacta,
se puede acercar a ella tanto como lo permita la aritmtica computacional del dispositivo de
clculo.
Ejemplo. Instrumentar un mtodo iterativo para calcular la raz cuadrada r de un nmero real
positivo n mediante operaciones aritmticas bsicas
Mtodo Numrico
Se usar una frmula que recibe un valor estimado para la raz cuadrada y produce un valor ms
cercano a la respuesta. Si se usa repetidamente la frmula cada resultado tender a un valor
final que suponemos es la respuesta buscada. La obtencin de estas frmulas se realizar
posteriormente.
Sean

x: valor inicial estimado para la raz r


1
n
y
(x + )
Frmula iterativa:=
2
x

14
Algoritmo
Algoritmo: Raz cuadrada
Entra: n
Dato
E
Error permitido
x
Valor inicial
1
n
y (x + )
2
x
Sale: y
Respuesta calculada con error E
Repetir mientras |x-y| > E
x y.
1
n
y (x + )
2
x
Fin del ciclo

Ejemplo. Calcular r =

7 con la frmula iterativa anterior

Usaremos x = 3 como valor inicial


Clculos en MATLAB
>> format long
>> n=7;
>> x=3;
>> y=0.5*(x+n/x)
y=
2.666666666666667
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645833333333333
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645751312335958
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645751311064591
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645751311064591
El ltimo resultado tiene quince dgitos decimales que no cambian, por lo tanto podemos suponer
que la respuesta tiene esa precisin. Se observa la rpida convergencia de la sucesin de
nmeros generad. Sin embargo es necesario verificar si la solucin es aceptable pues si los
nmeros convergen a un valor, no necesariamente es la respuesta correcta
>> y^2
ans =
7.00000000000000
Se comprueba que el ltimo valor calculado es la raz cuadrada de 7

15
Ejemplo. Calcular r =

7 con la siguiente frmula iterativa:


n
=
y 0.4(x + )
x
>> n=7;
>> x=3;
>> y=0.4*(x+n/x)
y=
2.133333333333334
>> x=y;
>> y=0.4*(x+n/x)
y=
2.165833333333333
>> x=y;
>> y=0.4*(x+n/x)
y=
2.159138258304477
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160468969251076
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160202499208563

.
.
.
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160246899469289
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160246899469287
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160246899469287
>> y^2
ans =
4.66666666666666

La frmula converge pero el resultado final no es la raz cuadrada de 7. Esto plantea la


importancia de verificar la formulacin del mtodo numrico y la validacin de la respuesta
obtenida.
En general, los mtodos numricos se enfocan a resolver una clase o tipo de problemas. El
ejemplo anterior es un caso particular del problema general: la solucin de ecuaciones no
lineales f(x)=0

16
2.1.1

Convergencia de los mtodos iterativos

Es la propiedad que tienen la formula iterativas de un mtodo numrico para producir resultados
cada vez ms cercanos a la respuesta esperada.
Definicin: Convergencia de una frmula iterativa
Sean

r : Respuesta del problema


xi : Valor calculado en la iteracin i

(valor desconocido)
(valor aproximado)

Si la frmula iterativa converge, entonces


.
xi r
i

.
2.1.2

Error de truncamiento

La distancia entre la respuesta esperada y el valor calculado con una frmula iterativa se
denomina error de truncamiento.
Definicin: Error de truncamiento

r : Respuesta del problema


(valor desconocido)
(valor aproximado)
xi : Valor calculado en la iteracin i
(valor aproximado)
xi+1: Valor calculado en la iteracin i + 1
Entonces
Ei = r xi : Error de truncamiento en la iteracin i
Sean

Ei + 1 = r xi+1: Error de truncamiento en la iteracin i + 1


2.1.3

Finalizacin de un proceso iterativo

Si la frmula iterativa converge, la distancia entre valores consecutivos se debe reducir y se


puede usar como una medida para el error de truncamiento. Con la definicin de convergencia
se puede establecer un criterio para finalizar el proceso iterativo.
Consideremos los resultados de dos iteraciones consecutivas: xi , xi+1
Si el mtodo converge, xi r y tambin xi+ 1 r
i

Restando estas dos expresiones: xi+ 1 xi 0 , se puede establecer un criterio de convergencia


i

Definicin: Criterio para finalizar un proceso iterativo (error absoluto)


Sea E algn valor positivo arbitrariamente pequeo.
Si el mtodo converge, se cumplir que a partir de alguna iteracin i:
.
|xi+1 - xi| < E
Este valor E es el error absoluto y se usa como una medida para el error de la respuesta
calculada.
La precisin utilizada en los clculos aritmticos, debe ser coherente con la precisin del mtodo
numrico y con los exactitud del modelo matemtico y de los datos utilizados.
Adicionalmente, es necesario verificar que la respuesta final sea vlida para el modelo
matemtico y aceptable para el problema que se est resolviendo.

17
Ejemplo. Se desea que la respuesta calculada para un problema con un mtodo iterativo tenga
un error absoluto menor que 0.0001. Entonces el algoritmo deber terminar cuando se cumpla
que |xi+1 - xi| < 0.0001. Los clculos deben realizarse al menos con la misma precisin.
Para que el criterio del error sea independiente de la magnitud del resultado, conviene usar la
definicin del error relativo:
Definicin: Criterio para finalizar un proceso iterativo (error relativo)
Sea e algn valor positivo arbitrariamente pequeo.
Si el mtodo converge, se cumplir que a partir de alguna iteracin i:

| xi+ 1 xi |
<e
| xi+ 1 |

Este valor e es el error relativo y puede usarse como una medida para el error de la respuesta
calculada, independiente de la magnitud. Para calcular el error relativo se toma el ltimo valor
como el ms cercano a la respuesta.
Ejemplo. Se desea que la respuesta calculada para un problema con un mtodo iterativo tenga
un error relativo menor que 0.1%. Entonces el algoritmo deber terminar cuando se cumpla que

| xi+ 1 xi |
< 0.001
| xi+ 1 |

Tambin debera distinguirse entre error y precisin.


Ejemplo. Si el error es 1%, la precisin es 99%.
2.1.4

Error de truncamiento y estimacin del error

Debe distinguirse entre estas dos medidas del error


r xi :

Error de truncamiento cuyo valor es desconocido, pues r es la respuesta


que se desea calcular

xi+1 xi : Estimacin del error de truncamiento en la iteracin i. Es un valor que se


puede calcular y se usa como una estimacin para el error de truncamiento
si el mtodo converge

2.1.5

Eficiencia de un mtodo iterativo

Sean Ei , Ei+ 1 los errores de truncamiento en las iteraciones i, i+1 respectivamente. Se supondr
que estos valores son pequeos y menores a 1.
Si a partir de alguna iteracin i esta relacin puede especificarse como | Ei+ 1 | = k | Ei |, siendo k
alguna constante positiva menor que uno, entonces se dice que la convergencia es lineal o de
primer orden y k es el factor de convergencia. Se puede usar la notacin O( ) y escribir
Ei+ 1 = O(Ei ) para expresar de una manera simple el orden de esta relacin, y se lee "orden de".
Si en un mtodo esta relacin es ms fuerte tal como Ei+ 1 = O(Ei2 ) entonces el error se reducir
ms rpidamente y se dice que el mtodo tiene convergencia cuadrtica o de segundo orden.

18
Definicin: Orden de convergencia de un mtodo iterativo
Sean Ei , Ei+ 1 los errores en las iteraciones consecutivas i, i + 1 respectivamente
Si se pueden relacionar estos errores en la forma:
Ei+ 1 = O(Ein )
Entonces se dice que el mtodo iterativo tiene convergencia de orden n.
Si un mtodo iterativo tiene convergencia mayor que lineal, entonces si el mtodo converge, lo
har ms rpidamente.
.

2.1.6

Eleccin del valor inicial

Los mtodos iterativos normalmente requieren que el valor inicial sea elegido apropiadamente. Si
es elegido al azar, puede ocurrir que no se produzca la convergencia.
Si el problema es simple, mediante algn anlisis previo puede definirse una regin de
convergencia tal que si el valor inicial y los valores calculados en cada iteracin permanecen
en esta regin, el mtodo converge.

2.1.7

Preguntas

Conteste las siguientes preguntas


1. Por que el error de redondeo no debe ser mayor que el error de truncamiento?
2. Una ventaja de los mtodos iterativos es que son auto-correctivos, es decir que si se introduce
algn error aritmtico en una iteracin, en las siguientes puede ser corregido. Cuando no
ocurrira esta auto-correccin?
3. El ejemplo del mtodo numrico para calcular
parece que la convergencia es lineal o cuadrtica?

7 produce una secuencia numrica. Le

19
2.2

Mtodos directos

Son procedimientos para obtener resultados realizando una secuencia finita de operaciones
aritmticas. La cantidad de clculos aritmticos depende del tamao del problema. El resultado
obtenido ser exacto siempre que se puedan conservar en forma exacta los valores calculados
en las operaciones aritmticas, caso contrario se introducirn los errores de redondeo.
Ejemplo. Instrumentar un mtodo directo para resolver un sistema triangular inferior de
ecuaciones lineales.
Modelo matemtico
= b1
a1,1x1
a2,1x1 + a2,2x2
= b2
= b3
a3,1x1 + a3,2x2 + a3,3x3
....
an,1x1 + an,2x2 + ax,3x3 + . . . + an,nxn = bn
En donde:

ai,j: coeficientes (datos)


bi : constantes (datos)
xi : variables (resultados)

La formulacin matemtica del mtodo se obtiene despejando sucesivamente xi de la ecuacin i


1
(b1)
x1 =
a1,1
x2 =
x3 =

1
(b2 - a2,1x1)
a2,2
1
a3,3

(b3 - a3,1x1 - a3,2x2)

...
En general:
xi =

1
(bi - ai,1x1 - ai,2x2 - . . . - ai,i-1xi-1), i = 2, 3, . . . , n, ai,i 0
ai,i

Algoritmo
Algoritmo: Triangular
Coeficientes
Entra: ai,j
Constantes
bi
Solucin calculada
Sale: xi
n cantidad de ecuaciones
Para i = 1, 2, . . ., n
s 0;
Para j = 1, 2, . . ., i-1
s s + ai,jxj
Fin
xi (bi s)/ai,i
Fin
Este algoritmo es un caso particular del problema general: sistema de n ecuaciones lineales. Los
mtodos numricos normalmente se desarrollan para resolver una clase o tipo general de
problemas. La instrumentacin puede hacerse mediante un programa, pero es ms conveniente
definirlo como una funcin en MATLAB para estandarizar la entrada y salida de variables.

20
Instrumentacin computacional
La instrumentacin del mtodo numrico del ejemplo anterior se har mediante una funcin en
MATLAB. Para que la instrumentacin sea general es preferible que el mtodo numrico sea
independiente de los datos de un problema particular.
El nombre para la funcin ser triangular. La funcin recibir como datos la matriz de
coeficientes a y el vector de constantes b y producir como resultado el vector solucin v
(vector columna)
function x = triangular(a, b)
n = length(b);
x(1) = b(1)/a(1,1);
for i = 2: n
s = 0;
for j = 1: i-1
s = s + a(i,j)*x(j);
end
x(i) = (b(i) - s)/a(i,i);
end
x=x';

%vector columna

Ejemplo. Escribir los comandos para resolver un problema usando la funcin anterior
=2
3x1
=3
7x1 + 5x2
8x1 + 2x2 + 9x3 = 6
>> a = [3 0 0; 7 5 0; 8 2 9]
>> b = [2; 3; 6]
>> x = triangular(a, b)
x=
0.6667
-0.3333
0.1481

Definir la matriz
Definir el vector de constantes
Uso de la funcin

21
2.2.1

Error de redondeo

Los mtodos numricos operan con datos que pueden ser inexactos y con dispositivos para
representar a los nmeros reales. El error de redondeo se atribuye a la imposibilidad de
almacenar todas las cifras de estos nmeros y a la imprecisin de los instrumentos de medicin
con los cuales se obtienen los datos.
Definicin: Error de redondeo absoluto
Sean

X: Valor exacto
X : Valor aproximado
E=X X

(normalmente desconocido)
(observado o calculado)
Error de redondeo
.

Definicin: Error de redondeo relativo


Sean

X: Valor exacto
(normalmente desconocido)
X : Valor aproximado (observado o calculado)
E: Error de redondeo
E E
Error de redondeo relativo. (X, X diferentes de cero)
=
e
:
X X

Debido a que normalmente no es posible calcular exactamente el valor de E, se debe intentar al


menos acotar su valor.
2.2.2

Error en la representacin de los nmeros reales

Las operaciones aritmticas pueden producir resultados que no se pueden representar


exactamente en los dispositivos de almacenamiento. Si estos errores se producen en forma
recurrente entonces el error propagado pudiera crecer en forma significativa dependiendo de la
cantidad de operaciones requeridas. Esta cantidad de operaciones est determinada por la
eficiencia del algoritmo.
Ejemplo. Suponga que un dispositivo puede almacenar nicamente los cuatro primeros dgitos
decimales de cada nmero real y trunca los restantes (esto se llama redondeo inferior).
Se requiere almacenar el nmero:
X = 536.78
Primero expresemos el nmero en forma normalizada, es decir sin enteros y ajustando su
magnitud con potencias de 10:
3
X = 0.53678x10
Ahora descomponemos el nmero en dos partes
3
3
X = 0.5367x10 + 0.00008x10
El valor almacenado es un valor aproximado
3
X = 0.5367x10
El error de redondeo por la limitacin del dispositivo de almacenamiento es
3-4
-1
3
E = 0.00008x10 = 0.8x10
= 0.8x10
En general, si n es la cantidad de enteros del nmero normalizado con potencias de 10, y m es
la cantidad de cifras decimales que se pueden almacenar en el dispositivo, entonces si se
truncan los decimales sin ajustar la cifra anterior, el error de redondeo absoluto est acotado por:

| E |< 1 10nm
Mientras que el error relativo:
max(| E |) 1 10nm
| e |<
10 10 m (Solo depende del almacenamiento)
= =
min(| X |) 0.1 10n

22
2.2.3

Error de redondeo en las operaciones aritmticas

En los mtodos directos debe considerarse el error que se propaga en las operaciones
aritmticas, el cual puede ser significativo cuando la cantidad de clculos requeridos es grande.
A continuacin se analizan la suma y el producto
a) Error de redondeo en la suma
Sean

X, Y : Valores exactos
X , Y : Valores aproximados

Con la definicin de error de redondeo


EX = X - X , EY = Y - Y
S=X+Y
= ( X + Y ) + (EX + EY)
S = ( X + EX) + ( Y + EY)
Valor que se almacena
S= X + Y
Error de redondeo absoluto en la suma
EX+Y = EX + EY
|EX+Y| |EX| + |EY|
Error de redondeo relativo en la suma
EX + Y EX + EY
EX
EY
=
=
+
X+Y
X+Y
X+Y X+Y
X EX
Y EY
=
+
eX + Y
X+Y X X+Y Y
eX + Y
=

=
eX + Y

X
X+Y

| eX + Y | |
| eX + Y | |

ex +

Y
X+Y

EX
X+Y
X

X+Y

|+|

eY
EY

X+Y

ex | + |

Y
X+Y

|
eY |

Se puede extender a la resta


eX Y
=
| eX Y

EX Y EX EY
EX
EY
=
=

XY
XY
XY XY
EX
EY
| |
|+|
|
XY
XY

| eX Y | |

X
XY

ex | + |

Y
XY

eY |

23
b) Error de redondeo en la multiplicacin
P=XY
P = ( X + EX) ( Y + EY) = X Y + X EY + Y EX + EXEY
El ltimo trmino se descarta por ser muy pequeo
P = X Y + X EY + Y EX
Valor que se almacena
P= X Y
Error de redondeo absoluto en la multiplicacin
EXY = X EY + Y EX
|EXY| | X EY| + | Y EX|
La magnitud del error de redondeo en la multiplicacin puede ser tan grande como la suma de
los errores de redondeo de los operandos ponderada por cada uno de sus respectivos valores.
Error de redondeo relativo en la multiplicacin
E
XE + YEX XEY YEX EY EX
e XY = XY = Y
=
+
= +
XY
XY
XY
XY
Y
X

e XY
= ex + eY
| e XY | | e x | + |e Y |
En general, si los valores de los operandos tienen ambos el mismo signo se puede concluir que
la operacin aritmtica de multiplicacin puede propagar ms error de redondeo que la suma.
Adicionalmente, si el resultado de cada operacin aritmtica debe almacenarse, hay que agregar
el error de redondeo debido a la limitacin del dispositivo de almacenamiento.

24
2.2.4

Propagacin del error de redondeo en las operaciones aritmticas

Ejemplos de aplicacin
1) La velocidad de una partcula es constante e igual a 4 m/s, medida con un error de 0.1 m/s
durante un tiempo de recorrido de 5 seg. medido con error de 0.1 seg. Determine el error
absoluto y el error relativo en el valor de la distancia recorrida.
v = 4, Ev = 0.1
t = 5, Et = 0.1
d = vt

(velocidad)
(tiempo)
(distancia recorrida)

Ed = v Et + t Ev = 4(0.1) + 5(0.1) = 0.9

(Error absoluto)

d = vt = 20 con un rango de variacin: 19.1 d 20.9


ed =

Ev
v

Et
t

0.1 0.1
+
= 0.045 = 4.5%
4
5

(Error relativo)

2) Resta de nmeros con valores muy cercanos


Suponer que se deben restar dos nmeros muy cercanos X=578.1, Y=577.8 con error de
redondeo en el segundo decimal: EX = EY = 0.05 aproximadamente (ambos errores pueden ser
del mismo signo o de diferente signo, depende de la forma como se obtuvieron los datos X, Y)
EX
EY
(Errores relativos)
eX =
0.000086 =
0.0086% , e Y =
0.000086 =
0.0086%
X
Y
Cota para el error de redondeo relativo:
EX Y EX EY
EX
EY
=
eX Y
=
=

XY
XY
XY XY
EX
E
| eX Y | |
|+| Y |
XY
XY
0.05
0.05
| eX Y | |
|+|
| 0.3333 =33.33%
578.1 577.8
578.1 577.8

El aumento en la cota del error en el resultado es muy significativo con respecto a los operandos.
Se concluye que se debe evitar restar nmeros cuya magnitud sea muy cercana pues el cociente
al ser muy pequeo, har que el error relative sea significativo.
Adicionalmente habra que aumentar el efecto del error de redondeo al almacenar el resultado.

3) Suma de nmeros de diferente magnitud


Es suficiente considerar tres nmeros: X, Y, Z. Suponer por simplicidad que los datos son
valores positivos exactos, por lo tanto eX = 0, eY = 0, ez = 0
S = X + Y + Z,

con

X>Y>Z

Suponer que la suma se realiza en el orden escrito


S = (X + Y) + Z

25

eX + Y =

X
X+Y

e=
(X + Y) + Z

eX +

Y
X+Y

X+Y
X+Y+Z

e Y + r1 = r1

eX + Y +

r1: error de redondeo al almacenar la suma

(X + Y)r1 + (X + Y + Z)r2
X+Y
=
e Z + r2
=
r1 + r2
X+Y+Z
X+Y+Z
X+Y+Z
Z

r2: error de redondeo al almacenar la suma


Si cada resultado se almacena en un dispositivo que tiene m cifras su cota de error de redondeo:

| r1,r2 |< 10 10 m
| e(X + Y)+ Z |<

(2X + 2Y + Z)10 10 m
X+Y+Z

Si la suma se hiciera en orden opuesto, se obtendra


| e(Z + Y)+ X |<

(2Z + 2Y + X)10 10 m
Z+Y+X

Si X > Z , se puede concluir que la suma de los nmeros debe realizarse comenzando con los
nmeros de menor magnitud, pues la cota del error ser menor.

26
2.2.5

Eficiencia de los mtodos directos

La eficiencia de un algoritmo est relacionada con el tiempo necesario para obtener la solucin.
Este tiempo depende de la cantidad de operaciones aritmticas que se deben realizar. As, si se
tienen dos algoritmos para resolver un mismo problema, es ms eficiente el que requiere menos
operaciones aritmticas para producir el mismo resultado. Adicionalmente, el algoritmo ms
eficiente acumular menos error si los resultados son nmeros reales que no pueden
representarse en forma exacta en el dispositivo de clculo.
Sea n el tamao del problema, y T(n) la eficiencia del algoritmo (cantidad de operaciones
aritmticas requeridas). Para obtener T(n) se pueden realizar pruebas en el computador con
diferentes valores de n registrando el tiempo de ejecucin. Siendo este tiempo proporcional a la
cantidad de operaciones aritmticas que se realizaron, se puede estimar la funcin T(n).
Esta forma experimental para determinar T(n) tiene el inconveniente de requerir la
instrumentacin computacional del algoritmo para realizar las pruebas. Es preferible conocer la
eficiencia del algoritmo antes de invertir esfuerzo en la programacin computacional.
Para determinar T(n) se puede analizar la formulacin matemtica del mtodo numrico o la
estructura del algoritmo.

Ejemplo. El siguiente algoritmo calcula la suma de los cubos de los primeros n nmeros
naturales. Encontrar T(n)
Sea T la cantidad de sumas que se realizan
...
s0
Para i=1, 2, ..., n
3
ss+i
fin
...
La suma est dentro de una repeticin que se realiza n veces, por lo tanto,
T(n) = n

Ejemplo. El siguiente algoritmo suma los elementos de una matriz cuadrada a de orden n.
Encontrar T(n)
Sea T la cantidad de sumas
...
s0
Para i=1, 2, ..., n
Para j=1, 2, ..., n
s s + ai, j
fin
fin
...
La suma est incluida en una repeticin doble. La variable i, cambia n veces y para cada uno de
sus valores, la variable j cambia n veces. Por lo tanto.
2
T(n) = n

27
Ejemplo. El siguiente algoritmo es una modificacin del anterior. Suponga que se desea sumar
nicamente los elementos de la sub-matriz triangular superior. Obtener T(n)
...
s0
Para i=1, 2, ..., n
Para j=i, i+1, ..., n
s s + ai, j
fin
fin
...
Si no es evidente la forma de T(n), se puede recorrer el algoritmo y anotar la cantidad de sumas
que se realizan
i
j
1
n
2
n-1
3
n-2
...
...
n-1
2
n
1
Entonces, T(n) = 1 + 2 + .... + n =

2.2.6

n
n2 n
(n + 1) =
+
2
2 2

(suma de una serie aritmtica)

La notacin O( )

Supongamos que para resolver un problema se han diseado dos algoritmos: A y B, con
2
eficiencias TA(n) = 10n+2, TB(n) = 2n + 3, respectivamente. Cual algoritmo es ms eficiente?.
Para valores pequeos de n, TB(n) < TA(n), pero para valores grandes de n, TA(n) < TB(n). Es
de inters prctico determinar la eficiencia de los algoritmos para valores grandes de n, por lo
tanto el algoritmo A es ms eficiente que el algoritmo B como se puede observar en el grfico:

Si T(n) incluye trminos con n que tienen diferente orden, es suficiente considerar el trmino de
mayor orden pues es el que determina la eficiencia del algoritmo cuando n es grande. No es
necesario incluir los coeficientes y las constantes.

28
2

Ejemplo. Suponga T(n) = n + n + 10. Evaluar T para algunos valores de n


T(2)
= 4 + 2 + 10
T(5)
= 25 + 5 + 10
T(20) = 400 + 20 + 10
T(100) = 10000 + 100 + 10
2

Se observa que a medida que n crece, T depende principalmente de n . Este hecho se puede
expresar usando la notacin O( ) la cual indica el orden de la eficiencia del algoritmo, y se
2
2
puede escribir: T(n) = O(n ) lo cual significa que la eficiencia es proporcional a n , y se dice que
el algoritmo tiene eficiencia cuadrtica o de segundo orden.
En general, dado un problema de tamao n, la medida de la eficiencia T(n) de un algoritmo se
2
3
puede expresar con la notacin O(g(n)) siendo g(n) alguna expresin tal como: n, n , n , ...,
n
log(n), n log(n), ..., 2 , n!, ... la cual expresa el orden de la cantidad de operaciones aritmticas
que requiere el algoritmo.
Es de inters medir la eficiencia de los algoritmos para problemas de tamao grande, pues para
estos valores de n se debe conocer la eficiencia. En el siguiente cuadro se ha tabulado T(n) con
algunos valores de n y para algunas funciones tpicas g(n).
Tabulacin de T(n) con algunos valores de n para algunas funciones tpicas g(n)
n [log(n)] n [n log(n)]
1
3
5
7
9
11
13
15
17
19
21
23
25
50
100

0
1
1
1
2
2
2
2
2
2
3
3
3
3
4

1
3
5
7
9
11
13
15
17
19
21
23
25
50
100

0
1
1
3
9
27
8
25
125
13
49
343
19
81
729
26
121
1331
33
169
2197
40
225
3375
48
289
4913
55
361
6859
63
441
9261
72
529
12167
80
625
15625
195 2500 125000
460 10000 1000000

2
8
32
128
512
2048
8192
32768
5
1.31x10
5
5.24x10
6
2.09x10
6
8.38x10
7
3.35x10
15
1.12x10
30
1.26x10

n!
1
6
120
5040
5
3.62x10
7
3.99x10
9
6.22x10
12
1.30x10
14
3.55x10
17
1.21x10
19
5.10x10
22
2.58x10
25
1.55x10
64
3.04x10
157
9.33x10

Los algoritmos en las dos ltimas columnas son de tipo exponencial y factorial
respectivamente. Se puede observar que an con valores relativamente pequeos de n el valor
de T(n) es extremadamente alto. Los algoritmos con este tipo de eficiencia se denominan nofactibles pues ningn computador actual pudiera calcular la solucin en un tiempo aceptable
para valores de n grandes.
La mayora de los algoritmos que corresponden a los mtodos numricos son de tipo polinomial
2
3
.
con g(n) = n, n , n

29
2.2.7

Ejercicios

1. Encuentre la cota del error relativo en la siguiente operacin aritmtica:


T = X(Y Z)
El error de redondeo relativo de los operandos es respectivamente eX, eY, ez, y el error
de redondeo relativo en el dispositivo de almacenamiento es rm
a) Primero se realiza la multiplicacin y luego la resta
b) Primero se realiza la resta y luego la multiplicacin
2. Suponga que tiene tres algoritmos: A, B, C con eficiencia respectivamente:
TA(n) = 5n + 50
TB(n) = 10n ln(n) + 5
2
TC(n) = 3n + 1
a) Determine n a partir del cual A es ms eficiente que B
b) Determine n a partir del cual B es ms eficiente que C
c) Coloque los algoritmos ordenados segn el criterio de eficiencia establecido
3. Exprese la eficiencia de los algoritmos A, B, C con la notacin O( )
4. Los computadores actuales pueden realizar 100 millones de operaciones aritmticas en un
segundo. Calcule cuanto tiempo tardara este computador para resolver un problema de tamao
n=50 si el algoritmo es de tipo:
a) Polinomial de tercer grado
b) Exponencial
c) Factorial
5. Determine la funcin de eficiencia T(n) del algoritmo triangular incluido en el captulo 1 y
exprsela con la notacin O( ). Suponga que es de inters conocer la cantidad total de ciclos que
se realizan.
6. Dado el siguiente algoritmo
Leer n
Mientras n>0 repita
d mod(n, 2)
n fix(n/2)
Mostrar d
fin

Produce el residuo entero de la divisin n/2


Asigna el cociente entero de la divisin n/2

a) Recorra el algoritmo con n = 73


b) Suponga que T(n) representa la cantidad de operaciones aritmticas de divisin que se
realizan para resolver el problema de tamao n. Encuentre T(n) y exprsela con la notacin O( )
Para obtener T(n) observe el hecho de que en cada ciclo el valor de n se reduce
aproximadamente a la mitad.

30
3

RACES REALES DE ECUACIONES NO-LINEALES

Sea f: RR. Dada la ecuacin f(x) = 0, se debe encontrar un valor real r tal que f(r) = 0.
Entonces r es una raz real de la ecuacin
Si no es posible obtener la raz directamente, entonces se debe recurrir a los mtodos numricos
iterativos para calcular r en forma aproximada con alguna precisin controlada. Se han creado
muchos mtodos numricos para resolver este problema clsico, pero con el uso de
computadoras para el clculo, conviene revisar solamente algunos de estos mtodos que tengan
caractersticas significativamente diferentes.

3.1

Mtodo de la biseccin

Sea f: RR. Suponer que f es continua en [a, b], y que adems f(a) y f(b) tienen signos
diferentes.
3.1.1. Existencia de la raz real
Si una funcin f es continua en un intervalo [a, b] y f(a) tiene signo diferente que f(b), entonces
existe por lo menos un punto r en (a, b) tal que f(r)=0. Si adems f'(x) no cambia de signo en el
intervalo [a, b], entonces la solucin es nica.
La validez de esta proposicin se basa en el Teorema del Valor Intermedio.
El mtodo de la biseccin es un mtodo simple y convergente para calcular r. Consiste en
calcular el punto medio c=(a+b)/2 del intervalo [a, b] y sustituirlo por el intervalo [c, b] [a, c]
dependiendo de cual contiene a la raz r. Este procedimiento se repite hasta que la distancia
entre a y b sea muy pequea, entonces el ltimo valor calculado c estar muy cerca de r.
Interpretacin grfica del mtodo de la biseccin

En la figura se puede observar que luego de haber calculado c, para la siguiente iteracin debe
sustituirse el intervalo [a, b] por [c, b] debido a que f(a) y f(c) tienen igual signo y por lo tanto la
raz estar en el intervalo [c, b]

31
3.1.2

Convergencia del mtodo de la biseccin

Sean

ai, bi, ci los valores de a, b, c en cada iteracin i=1, 2, 3, . . . respectivamente

El mtodo de la biseccin genera una sucesin de intervalos [a, b], [a1, b1], [a2, b2], , [ai, bi]
tales que a a1 a2 ai constituyen una sucesin creciente y b b1 b2 , bi una
sucesin decreciente con ai < bi. Adems por definicin del mtodo: ci, r [ai, bi] en cada
iteracin i

Sean

di = bi ai longitud del intervalo [ai, bi] en la iteracin i=1, 2, 3, . . .


d = b a longitud del intervalo inicial

Recorrido de las iteraciones


Iteracin
1
2
3
...
i

Longitud del intervalo


d1 = d /2
2
d2 = d1/2 = d/2
3
d3 = d2/2 = d/2
...
i
di = d/2

Entonces
d
0 di 0 ai bi ci r i>0 | ci r |< E para algn valor positivo E
2i
i
i
i
i

Suponer que se desea que el ltimo valor calculado ci tenga error E = 0.001, entonces si el
algoritmo termina cuando bi ai < E, se cumplir que |ci r| < E y ci ser una aproximacin
para r con un error menor que 0.0001
Se puede predecir el nmero de iteraciones que se deben realizar con el mtodo de la Biseccin
para obtener la respuesta con error permitido E:
En la iteracin i:
Se desea terminar cuando:
Entonces se debe cumplir
De donde se obtiene:

di = d/2
di < E
i
d/2 < E
log(d / E)
i>
log(2)

Ejemplo. La ecuacin f(x) = x e - = 0 tiene una raz real en el intervalo [0, 2]. Determine
cuantas iteraciones deben realizarse con el mtodo de la biseccin para obtener un resultado
con error E=0.0001.
x

El nmero de iteraciones que debern realizarse es:


i > log(2/0.0001)/log(2) i >14.287 15 iteraciones

32
3.1.3

Algoritmo del mtodo de la biseccin

Calcular una raz r real de la ecuacin f(x) = 0 con error E.


f es contnua en un intervalo [a, b] tal que f(a) y f(b) tienen signos diferentes
Algoritmo: Biseccin
Restriccin: No valida el intervalo inicial
Entra: f, a, b, E
Sale: c
(aproximacin a la raz r, con error E)
Mientras b-a>E
c (a+b)/2
Si f(c)=0
Terminar
Sino
Si signo f(c) = signo f(a)
ac
Sino
bc
Fin
Fin
Fin
El ltimo valor calculado c estar a no ms de una distancia E de la raz r.
Ejemplo. Calcule una raz real de f(x) = x e - = 0 en el intervalo [0, 2] con error 0.01
x

La funcin f es continua y adems f(0)<0, f(2)>0, por lo tanto la ecuacin f(x)=0 debe contener
alguna raz real en el intervalo [0, 2]
Cantidad de iteraciones

i>

log(d / E) log(2 / 0.01)


=
= 7.6439
log(2)
log(2)

8 iteraciones

Tabulacin de los clculos para obtener la raz con el mtodo de la Biseccin


iteracin
inicio
1
2
3
4
5
6
7
8

a
0
1
1
1
1
1.0625
1.0625
1.0625
1.0703

B
2
2
1.5
1.25
1.125
1.125
1.0938
1.0781
1.0781

c
1
1.5
1.25
1.125
1.0625
1.0938
1.0781
1.0703
1.0742

sign(f(a))
-

sign(f(c))
+
+
+
+
+
-

En la octava iteracin:
b a = 1.0781-1.0703 = 0.0078 |r c|<0.01
r = 1.074 con error menor que 0.01
En la ltima iteracin se observa que el intervalo que contiene a la raz se ha reducido a
[1.0703, 1.0781], por lo tanto el ltimo valor calculado de c = 1.074 debe estar cerca de r con
una distancia menor que 0.01

33

3.1.4

Eficiencia del mtodo de la biseccin

Suponer el caso ms desfavorable, en el que r est muy cerca de uno de los extremos del
intervalo [a, b]:
Sean

error en la iteracin i
Ei = r ci :
Ei+ 1= r ci+ 1 : error en la iteracin i+1

En cada iteracin la magnitud del error se reduce en no ms de la mitad respecto del error en la
1
iteracin anterior: Ei+ 1 Ei . Esta es una relacin lineal. Con la notacin O( ) se puede escribir:
2
Ei+ 1 = O(Ei ) . Entonces, el mtodo de la Biseccin tiene convergencia lineal o de primer orden.

3.1.5

Instrumentacin computacional del mtodo de la biseccin

Calcular una raz r real de la ecuacin f(x) = 0. f es contnua en un intervalo [a, b] tal que f(a) y
f(b) tienen signos diferentes
Para instrumentar el algoritmo de este mtodo se escribir una funcin en MATLAB. El nombre
ser biseccin. Recibir como parmetros f, a, b, y entregar c como aproximacin a la raz r.
Criterio para salir: Terminar cuando la longitud del intervalo sea menor que un valor pequeo e
especificado como otro parmetro para la funcin. Entonces el ltimo valor c estar
aproximadamente a una distancia e de la raz r.
function c = biseccion(f, a, b, e)
f=inline(f);
while b-a >= e
c=(a+b)/2;
if f(c)==0
return
else
if sign(f(a))==sign(f(c))
a=c;
else
b=c;
end
end
end

Ejemplo. Desde la ventana de comandos de MATLAB, use la funcin biseccin para calcular
x
una raz real de la ecuacin f(x) = xe - = 0. Suponer que se desea que el error sea menor
que 0.0001.

34
Por simple inspeccin se puede observar que f es continua y adems f(0) < 0, f(2) > 0. Por lo
tanto se elije como intervalo inicial: [0, 2]. Tambin se puede previamente graficar f.
En la ventana de comandos de MATLAB se escribe:
>> format long
>> f = 'x*exp(x)-pi';
>> c = biseccion(f, 0, 2, 0.0001)
c=
1.073669433593750
>> x=c;
>> eval(f)
ans =
6.819373368882609e-005

Este es el resultado calculado


Al evaluar f(c) se obtiene un valor cercano a 0

Ejemplo. Encontrar las intersecciones en el primer cuadrante de los grficos de las funciones:
x
f(x) = 4 + cos(x+1), g(x)=e sen(x).
Primero se grafican las funciones para visualizar las intersecciones:
>> f='4+x*cos(x+1)';
>> g='exp(x)*sin(x)';
>> ezplot(f,[0,3.5]),grid on,hold on
>> ezplot(g,[0,3.5])

e p( ) s ( )

6
4

-2
-4

-6
0

0.5

1.5

2.5

3.5

Las intersecciones son las races de la ecuacin h(x) = f(x) g(x) = 0


El clculo de las races se realiza con el mtodo de la biseccin con un error menor a 0.0001
>> h='4+x*cos(x+1)-exp(x)*sin(x)';
>> c=biseccion(h,1,1.5,0.0001)
c=
1.233726501464844
>> c=biseccion(h,3,3.2,0.0001)
c=
3.040667724609375

35
3.2

Mtodo del punto fijo

Sea f: RR. Dada la ecuacin f(x) = 0, encuentre r tal que f(r) = 0


El mtodo del punto fijo, tambin conocido como mtodo de la Iteracin funcional es el
fundamento matemtico para construir mtodos eficientes para el clculo de races reales de
ecuaciones no lineales.
Este mtodo consiste en re-escribir la ecuacin f(x) = 0 en la forma x = g(x). Esta nueva
ecuacin debe ser consistente con la ecuacin original en el sentido de que debe satisfacerse
con la misma raz, es decir la existencia de un punto fijo r, de la ecuacin x = g(x) es equivalente
a encontrar una raz real r de la ecuacin f(x) = 0: r = g(r) f(r)=0
log(sin(x)+2)

sin(x)-exp(x)+2
2

1.5

1.5

g(x)

f(x)

0.5
Raiz r
0

-0.5

-1

3.2.1

0.5

1
x

1.5

Punto fijo r
0.5
x
0

-0.5

-1

0.5

1
x

1.5

Existencia del punto fijo

Sea g una funcin continua en un intervalo [a, b] tal que g(a) > a y g(b) < b.
Entonces la ecuacin x=g(x) tiene al menos un punto fijo en [a, b]
Demostracin
Sea h(x) = g(x) - x una funcin, tambin continua, en el intervalo [a, b]
Entonces:
h(a) = g(a) - a > 0
h(b) = g(b) - b < 0
Por la continuidad de h existe algn valor r en el intervalo [a, b], tal que h(r) = 0.
Entonces g(r) - r = 0. Por lo tanto r es un punto fijo de x=g(x) y r es una raz real de f(x) = 0
3.2.2

Convergencia del mtodo del punto fijo

Sea g una funcin continua en un intervalo [a, b] tal que g(a) > a y g(b) < b y sea r un punto
fijo en [a, b]. Si x(a,b)( |g(x)|<1), entonces la secuencia xi+1 = g(xi), i = 0, 1, 2, 3, . . .
converge al punto fijo r y g(x) es el factor de convergencia:
Demostracin
Sean las ecuaciones equivalentes:
f(x) = 0, x = g(x)
Si r es una raz de f(x)=0 se cumple que r = g(r) f(r) = 0

36
La ecuacin x=g(x) sugiere una frmula iterativa xi+1 = g(xi), i = 0, 1, 2, 3, . . . siendo x0 el valor
inicial elegido para generar la secuencia {xi}
Definiciones:
Ei = r xi : Error de truncamiento en la iteracin i
Ei+1 = r xi+1: Error de truncamiento en la iteracin i + 1
Si g es continua en el intervalo que incluye a r y a cada punto calculado xi.

Por el Teorema del Valor Medio:


g(xi ) g(r)
, para algn z (r, xi)
g'(z) =
xi r
Sustituyendo las definiciones anteriores:
x r Ei+ 1
=
Ei+ 1 = g'(z)Ei , i = 0, 1, 2, 3, . . .
g'(z) = i+ 1
xi r
Ei
Si en cada iteracin, g(xi) < 1, entonces
Ei+ 1 0 y por lo tanto, r xi+ 1 0 xi+ 1 r .
i

El mtodo del punto fijo converge y g(x)<1 es el factor de convergencia.


Se puede extender a los casos en los cuales g tiene pendiente negativa y deducir la condicin
necesaria de convergencia del mtodo del punto fijo: |g(x)| < 1.
3.2.3

Unicidad del punto fijo

Sea r un punto fijo de x = g(x). Si g(x) existe en el intervalo [a, b] y x[a,b](|g(x)|<1),


entonces el punto fijo r es nico
Demostracin
Sean r, p puntos fijos de x=g(x) en [a, b] con r p, es decir, r=g(r), p=g(p)
()()
Por el Teorema del Valor Medio: z[r, p] tal que g(z)=

g(z)(p-r) = g(p)-g(r) |g(z)| |(p-r)| = |p-r| |g(z)| = 1, pero x[p, r] |g(x)|<1


Esta contradiccin implica que p debe ser igual a r

37
3.2.4

Algoritmo del punto fijo

La ecuacin x=g(x) sugiere convertirla en una frmula iterativa xi+1 = g(xi), i = 0, 1, 2, 3, . . .


siendo x0 el valor inicial, elegido con algn criterio. En la frmula se usa un ndice para numerar
los valores calculados.
La frmula iterativa producir una sucesin de valores x: xi+1 = g(xi), i = 0, 1, 2, 3, ... y se
espera que tienda a un punto fijo de la ecuacin x = g(x) lo cual implica que este resultado
tambin satisface a la ecuacin f(x) = 0
Algoritmo: Punto Fijo
Restriccin: No verifica la condicin de convergencia
Entra: g, x, E
Sale: x
(aproximacin a la raz r, con error E)
Mientras |g(x)-x|>E
x g(x)
Fin
Ejemplo. Calcule una raz real de f(x) = e - x = 0 con el mtodo del punto fijo.
x

Un grfico de f nos muestra que la ecuacin tiene dos races reales en el intervalo [0, 2]

Re-escribir la ecuacin en la forma x = g(x).


Tomando directamente de la ecuacin (puede haber varias opciones)
x
a) x = g(x) = e /
b) x = g(x) = ln(x)
x
c) x = g(x) = e x + x, etc
Usaremos la primera
Escribir la frmula iterativa:
xi+1 = g(xi) = e x i /, i = 0, 1, 2, 3, . . .
Elegir un valor inicial x0 = 0.6 (cercano a la primera raz, tomado del grfico)
Calcular los siguientes valores
x
x1 = g(x0) = e 0 / = e 0.6 /
x1

x2 = g(x1) = e / = e

0.5800

= 0.5800
/ = 0.5685

38
x3 = g(x2) = e 0.5685 /
x4 = g(x3) = e 0.5620 /

= 0.5620
= 0.5584

x5 = g(x4) = e 0.5584 /
= 0.5564
0.5564
x6 = g(x5) = e
/
= 0.5552
...
La diferencia entre cada par de valores consecutivos se reduce en cada iteracin. En los ltimos
la diferencia est en el orden de los milsimos, por lo tanto podemos considerar que el mtodo
converge y el error est en el orden de los milsimos.
Para calcular la segunda raz, usamos la misma frmula iterativa:
x
xi+1 = g(xi) = e i /, i = 0, 1, 2, 3, . . .
El valor inicial elegido es x0 = 1.7 (cercano a la segunda raz, tomado del grfico)
Calcular los siguientes valores
x
= 1.7424
x1 = g(x0) = e 0 / = e1.7 /
x1
1.7424
/ = 1.8179
x2 = g(x1) = e / = e
x3 = g(x2) = e1.8179 /
= 1.9604
x4 = g(x3) = e1.9604 /
x5 = g(x4) = e 2.2608 /

= 2.2608
= 3.0528

x6 = g(x5) = e 3.0528 /
x6 = g(x5) = e 6.7399 /

= 6.7399
= 269.1367

...
La diferencia entre cada par de valores consecutivos aumenta en cada iteracin. Se concluye
que el mtodo no converge.
En el ejemplo anterior, las races reales de la ecuacin f(x)=0 son las intersecciones de f con el
eje horizontal. En el problema equivalente x=g(x), las races reales son las intersecciones entre
g y la recta x:

En el clculo de la primera raz, la pendiente de g es menor que la pendiente de x y se observa


que la secuencia de valores generados tiende a la raz. La interpretacin grfica del proceso de
clculo se describe en la siguiente figura.

39
x
0.6
0.59
0.58
0.57
0.56

0.55
0.54
0.53

g(x)

0.52
0.51
0.5
0.5

0.62

0.6

0.58

0.56
x

0.54

0.52

Para la segunda raz, la pendiente de g es mayor que la pendiente de x y se puede constatar


que la secuencia de valores generados se aleja de la raz.

Ejemplo. Encuentre el intervalo de convergencia para para calcular las races de la ecuacin
x
anterior: f(x) = e - x = 0 con el mtodo del punto fijo.
Ecuacin equivalente:
x
x = g(x) = e /
Condicin de convergencia:

|g(x)| < 1

g(x) = e /

|e /| < 1

x < ln()

Intervalo de convergencia: ( , ln( ))


Con lo que se concluye que la segunda raz no se puede calcular con esta frmula.
Ejemplo. Calcule una raz real de la misma ecuacin f(x) = e - x = 0 con el mtodo del punto
fijo con otra forma de la ecuacin de recurrencia x=g(x).
x

Para este ejemplo se decide usar la segunda forma: x = g(x)=ln(x)


x

Segn
la
condicin
de
convergencia
establecida,
el
grfico muestra que ser imposible
calcular la primera raz. La
segunda raz si podr ser
calculada, lo cual se puede
verificar numricamente.

1.8
1.6
1.4

g(x)
1.2
1

0.8
0.6
0.4
0.2
0

0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

40
Ejemplo. Calcular con MATLAB la segunda raz de la ecuacin: f(x)=exp(x)-x mediante la
frmula de recurrencia:
x=g(x)=ln(x)
>> g=inline('log(pi*x)');
>> ezplot('x',[0,2]),grid on,hold on
>> ezplot(g,[0,2])
>> x=1.6;
>> x=g(x)
x=
1.6147
>> x=g(x)
x=
1.6239
>> x=g(x)
x=
1.6296
>> x=g(x)
x=
1.6330

Graficar x vs. g(x)


Produce el grfico de la pgina anterior
Valor inicial para la segunda raz

Reusar el comando

>> x=g(x)
x=
1.6385

3.2.5

Valor final luego de 15 iteraciones

Eficiencia del mtodo del punto fijo

El mtodo del punto fijo tiene convergencia lineal o de primer orden debido a que Ei y Ei+1 estn
relacionados directamente mediante el factor de convergencia: Ei+ 1 = g'(z) Ei , por lo tanto este
mtodo tiene convergencia lineal: Ei+ 1 = O(Ei ) y g'(z) es el factor de convergencia. Si su
magnitud permanece mayor a 1, el mtodo no converge.

41
3.3

Mtodo de Newton

Sean f: RR, y la ecuacin f(x)=0. Sea r tal que f(r)=0, entonces r es una raz real de la
ecuacin.
El mtodo de Newton es una frmula itarativa eficiente para encontrar r. Es un caso especial del
mtodo del punto fijo en el que la ecuacin f(x) = 0 se re-escribe en la forma x = g(x) eligiendo g
de tal manera que la convergencia sea de segundo orden.
3.3.1

La frmula de Newton

Suponer que g es una funcin diferenciable en una regin que incluye a la raz r y al valor xi
(calculado en la iteracin i). Desarrollando con la serie de Taylor:
2

g(xi) = g(r) + (xi - r) g(r) + (xi - r) g(r)/2! + . . .


Con las definiciones del mtodo del punto fijo:
r = g(r)
xi+1 = g(xi), i = 0, 1, 2, 3, . . .
Se obtiene:
2
xi+1 = r + (xi - r) g(r) + (xi - r) g(r)/2! + . . .
Si se define el error de truncamiento de la siguiente forma:
Error en la iteracin i
Ei = xi - r:

Ei+ 1 = xi+1 - r:

Error en la iteracin i + 1

Finalmente se obtiene:
Ei+ 1 = Ei g(r) + Ei2 g(r)/2! + . . .
Si se hace que g(r) = 0, y si g(r) 0, entonces se tendr:
Ei+ 1 = O( Ei2 ),
Con lo que el mtodo tendr convergencia cuadrtica.
El procedimiento para hacer que g(r) = 0, consiste en elegir una forma apropiada para g(x):
g(x) = x - f(x) h(x), en donde h es alguna funcin que debe especificarse
Es necesario verificar que la ecuacin x = g(x) se satisface con la raz r de la ecuacin f(x) = 0
g(r) = r - f(r) h(r) = r g(r) = r
Se deriva g(x) y se evala en r
g(x) = 1 - f(x) h(x) - f(x) h(x)
g(r) = 1 - f(r) h(r) - f(r) h(r) = 1 - f(r) h(r)
Para que la convergencia sea cuadrtica se necesita que g(r) = 0
g(r) = 0 0 = 1 - f(r) h(r) h(r) = 1/f(r) h(x) = 1/f(x), f'(x)0
Con lo que se puede especificar h(x) para que la convergencia sea cuadrtica.
Al sustituir en la frmula propuesta se obtiene x = g(x) = x - f(x)/f(x), y se puede escribir la
frmula iterativa de Newton:
Definicin: Frmula iterativa de Newton
f(xi )
xi + 1 =
xi
, f '(xi ) 0 , i = 0, 1, 2, . . .
f '(xi )

42
3.3.2

Algoritmo del mtodo de Newton

Para calcular una raz r real de la ecuacin f(x) = 0 con error E se usa la frmula iterativa .
f(xi )
xi + 1 =
xi
, f '(xi ) 0 . Comenzando con un valor inicial x0 se genera una sucesin de
f '(xi )
valores xi , i = 0, 1, 2, 3, ... esperando que tienda a un valor que satisfaga la ecuacin.
Algoritmo: Newton-Raphson
Restriccin: No detecta divergencia
Entra: f
Ecuacin a resolver
x
Valor inicial
E
Error que se espera en la respuesta
Sale:
r
Aproximacin a la raz con error E
Ingresar(f, x, E)
r x f(x)/f(x)
Mientras |r x| > E
xr
r x f(x)/f(x)
Fin
Mostrar(r)
Ejemplo. Calcule las races reales de f(x) = e - x = 0 con el mtodo de Newton.
x

Un grfico de f nos muestra que la ecuacin tiene dos races reales en el intervalo [0, 2]

Para la primera raz tomamos el valor inicial:

x0 = 0.5

x1 =
x0

f(x 0 )
e x0 x 0
e0.5 0.5
=
=

=
x0
0.5
0.5522
f '(x 0 )
e0.5
e x0

x 2 =
x1

f(x1 )
e x1 x1
e0.5522 0.5522
x1
0.5522
0.5538
=
=

=
f '(x1 )
e0.5522
e x1

x 3 =
x2

f(x 2 )
e x2 x 2
e0.5538 0.5538
=
x2
=
0.5538

=
0.5538
f '(x 2 )
e0.5538
e x2

En los resultados se observa la rpida convergencia. En la tercera iteracin el resultado tiene


cuatro decimales que no cambian.

43
Para la segunda raz tomamos el valor inicial:

x0 = 1.8

x1 =
x0

f(x 0 )
e x0 x 0
e1.8 1.8
=
=

=
x0
1.8
1.6642
f '(x 0 )
e1.8
e x0

x 2 =
x1

f(x1 )
e x1 x1
e1.6642 1.6642
=
x1
=
1.6642

=
1.6393
f '(x1 )
e1.6642
e x1

x 3 =
x2

f(x 2 )
e x2 x 2
e1.6393 1.6393
=
=

=
x2
1.6393
1.6385
f '(x 2 )
e1.6393
e x2

x 4 =
x3

f(x 3 )
e x3 x 3
e1.6385 1.6385
=
x3
=
1.6385

=
1.6385
f '(x 3 )
e1.6385
e x3

A diferencia del mtodo del Punto Fijo, la frmula de Newton converge a ambas races. Para
entender este importante comportamiento, una interpretacin grfica de la frmula nos muestra
la transformacin geomtrica que permite la convergencia en ambas races:
Frmula de Newton interpretado como frmula del Punto Fijo para el ejemplo anterior

xi + 1 =
g(xi ) =
xi

f(xi )
e xi xi
=
xi
f '(xi )
e xi
x

2
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0

0.5

1
x

1.5

Grfico de x y g(x) con la frmula de Newton para el ejemplo anterior


Se observa que en la vecindad de cada raz, |g(x)|<1 y g(x) toma valores cercanos a cero en
la regin muy cercana a la raz, por lo cual la convergencia es segura, es muy rpida y se puede
llegar tan cerca de la raz como se desee.

44
3.3.3

Interpretacin grfica del mtodo de Newton

Sea f(x) = 0 la ecuacin que se desea resolver. La siguiente interpretacin grfica es til para
comprender el proceso de clculo de la frmula de Newton.
Suponer que f(x) tiene el siguiente grfico:

Se elige un valor aproximado inicial para la raz r, y se lo designa x0


Se traza una tangente a f(x) en el punto f(x0). El punto de interseccin con el eje horizontal estar
ms cerca de r, y se lo designa x1, mientras que el ngulo de interseccin se lo designa como
como se muestra en el grafico:

El valor de x1 se lo puede encontrar con la siguiente definicin:

tan(0 ) = f(x0 ) =

( )

( )
( )

El procedimiento anterior se puede repetir. Se traza una tangente a f(x) en el punto f(x1). El punto
de interseccin con el eje horizontal estar ms cerca de r, y se lo designa x2, mientras que el
ngulo de interseccin ser como se muestra en el siguiente grfico

El valor de x2 se lo puede encontrar con la siguiente definicin:

tan(1 ) = f(x1 ) =

( )

( )
( )

45

Si el procedimiento anterior se lo aplica repetdamente, se puede generalizar y escribir la frmula


iterativa:

tan(i ) = f(xi ) =

( )

Es la frmula iterativa de Newton-Raphson

+ =

( )
,
( )

+ =

( )

( )

i = 0, 1, 2, . . .

Esta interpretacin grfica permite observar que la secuencia de valores calculados con la
frmula de Newton sigue la trayectoria de las tangentes a f(x). Si hay convergencia, esta
secuencia tiende a la raz r. En la siguiente seccin se analiza la propiedad de convergencia de
ste mtodo.

3.3.4

Convergencia del mtodo de Newton

Se estableci en el mtodo del punto fijo que la ecuacin recurrente x=g(x) tiene la siguiente
propiedad de convergencia: | Ei+ 1 |=| g'(z) || Ei | , i = 0, 1, 2, 3, . . . La convergencia se produce si
se cumple que |g(x)|<1
Para el mtodo de Newton se obtuvo la siguiente ecuacin recurrente:
x = g(x) = x - f(x)/f(x),
f(x)f ''(x)
Entonces,
g'(x) =
, f(xi ) 0
[f '(x)]2
Si se supone que en alguna regin cercana a r en la cual se incluyen los valores calculados x,
se tiene que f(x)0, y si r es una raz de f(x)=0, entonces f(r) = 0, y por lo tanto:
f(r)f ''(r)
g'(r) =
0
=
[f '(r)]2
Este resultado ya se estableci, pero demuestra que existe algn intervalo cercano r en el que
|g(x)|<1 siempre que g sea continua en ese intervalo La frmula de Newton converge si los
valores calculados se mantienen dentro de este intervalo.
Para obtener el intervalo de convergencia, no es prctico usar la definicin anterior pues
involucra resolver una desigualdad complicada. Existen otros procedimientos para demostrar la
convergencia de esta frmula como se muestra a continuacin.
3.3.5

Una condicin de convergencia local para el mtodo de Newton

Dada la ecuacin f(x)=0. Suponer que f(x), f(x), f(x) son continuas y limitadas en un intervalo
[a, b] que contiene a la raz r como se muestra en el siguiente grfico:

Para este caso, f(x) tiene las siguientes propiedades

46
a) f(x) > 0, x(r, b]
b) f(x) > 0, x(r, b]
c) f(x) > 0, x(r, b]
Partiendo de estas premisas se demuestra que la frmula de Newton converge para cualquier
valor inicial x0 elegido en el intervalo (r, b].
Demostracin
1) Las premisas a) y b) implican que xi+ 1 < xi :
En la frmula de Newton:
f(xi )
xi + 1 < xi
xi+=
xi
1
f '(xi )
El enunciado es vlido al suprimir un trmino positivo pues f(x), f'(x) son positivos
2) La premisa c) implica que r < xi+ 1 :

(1)

Desarrollamos f(x) con tres trminos de la serie de Taylor alrededor de xi

f(r)= f(xi ) + (r xi )f '(xi ) + (r xi )2 f ''(z) / 2!


f(r) > f(xi ) + (r xi )f '(xi ) 0 > f(xi ) + (r xi )f '(xi ) r < xi f(xi ) / f '(xi ) r < xi+ 1

(2)

El enunciado es vlido pues el ltimo trmino que se suprime es positivo, si f''(x) es positivo
Combinando los resultados (1) y (2) se tiene

r < xi+ 1 < xi , i = 0, 1, 2,...


Este resultado define una sucesin numrica decreciente que tiende a
convergencia de la frmula iterativa de Newton: xi r

r y prueba la

Si se dispone del grfico de f es fcil reconocer visualmente si se cumplen las condiciones a), b)
y c) como el caso anterior y se puede definir un intervalo para la convergencia del mtodo.
Si f tiene otra forma, igualmente se pueden enunciar y demostrar las condiciones para que se
produzca la convergencia en cada caso.

Ejemplo. Determine la convergencia del mtodo de Newton si f tuviese la siguiente forma

Su geometra se puede describir con:


a) f(x)>0, x[a, r)
b) f(x)<0, x[a, r)
c) f(x)>0, x[a, r)

47
Con un desarrollo similar al anterior, se puede probar que el mtodo converge para cualquier
valor inicial x0 elegido en el intervalo [a, r), (a la izquierda de la raz r).
El uso de esta propiedad es simple si se dispone de un grfico de la ecuacin. Se elige como
intervalo de convergencia aquella regin en la que se observa que la trayectoria de las tangentes
produce la convergencia a la raz. Si se elije un valor inicial arbitrario no se puede asegurar que
el mtodo converge.
Ejemplo.- Si un crculo de radio a rueda en el plano a lo largo del eje horizontal, un punto P de
la circunferencia trazar una curva denominada cicloide. Esta curva puede expresarse mediante
las siguientes ecuaciones paramtricas
x(t) = a(t sen t),
y(t) = a(1 cos t)
Suponga que el radio es 1 metro, si (x, y) se miden en metros y t representa tiempo en
segundos, determine el primer instante en el que la magnitud de la velocidad es 0.5 m/s. Use el
mtodo de Newton, E=0.0001
Grfico de la cicloide

Su trayectoria:
u(t) = (x(t), y(t)) = (t sen t, 1 cos t)
Su velocidad:
u(t) = (1 cos t, sen t)
Magnitud de la velocidad:

u'(t) =
(1 cos t)2 + (sent)2
Grfico de la magnitud de la velocidad

Dato especificado:
(1 cos t)2 + (sent)2 = 0.5

f(t) = (1 cost)2 + (sent)2 0.25 = 0

Mtodo de Newton
f(ti )
(1 cos ti )2 + (senti )2 0.25
=
ti+ 1 =
ti
ti
f '(ti )
2(1 cos ti )(senti ) + 2(senti )(cos ti )

(frmula iterativa)

48
t0 = 0.5
t1 = ... = 0.505386
t2 = ... = 0.505360
t3 = ... = 0.505360
3.3.6

(del grfico)
(iteraciones)

Prctica computacional

En esta seccin se describe el uso de MATLAB para usar el mtodo de Newton. Se lo har
directamente en la ventana de comandos.
Para calcular una raz debe elegirse un valor inicial cercano a la respuesta esperada de acuerdo
a la propiedad de convergencia estudiada para este mtodo.
Para realizar los clculos se usa la frmula de Newton en notacin algortmica:
f(xi )
, i=0, 1, 2, 3,
xi+=
xi
1
f '(xi )
es el valor inicial
x0
son los valores calculados
x1, x2, x3,
En los lenguajes computacionales como MATLAB no se requieren ndices para indicar que el
valor de una variable a la izquierda es el resultado de la evaluacin de una expresin a la
derecha con un valor anterior de la misma variable.
La ecuacin se puede definir como una cadena de caracteres entre comillas simples. La
derivada se obtiene con la funcin diff de MATLAB, y con la funcin eval se evalan las
expresiones matemticas.
Forma computacional de la frmula de Newton en MATLAB. Previamente debe definir f y el
valor inicial x:
>> x=x eval(f)/eval(diff(f))
Presionando repetidamente la tecla del cursor se reutiliza la frmula y se obtienen resultados
sucesivos. La convergencia o divergencia se puede observar en los resultados.
En algunas versiones de MATLAB el comando diff cambia el tipo de la expresin definida en f
por lo que debe usar la funcin char para volver al tipo texto:
>> x=x eval(f)/eval(char(diff(f)))
Ejemplo. Calcule con MATLAB las races reales de f(x) = e - x = 0 con la frmula de Newton.
x

Es conveniente graficar la ecuacin mediante los siguientes comandos de MATLAB. Tambin se


puede editar el dibujo directamente en la ventana de graficacin:
>> f=exp(x)-pi*x;
>> ezplot(f,[0,2]),grid on

49

A continuacin se utliza la frmula de Newton en MATLAB eligiendo del grfico un valor inicial.
Reutilizando este comando se obtiene una secuencia de aproximaciones:
>> format long
>> x=0.5;
>> x=x-eval(f)/eval(diff(f))
x=
0.552198029112459
>> x=x-eval(f)/eval(diff(f))
x=
0.553825394773978
>> x=x-eval(f)/eval(diff(f))
x=
0.553827036642841
>> x=x-eval(f)/eval(diff(f))
x=
0.553827036644514
>> x=x-eval(f)/eval(diff(f))
x=
0.553827036644514
El ltimo resultado tiene quince decimales fijos.
Se puede observar la rapidez con la que el mtodo se acerca a la respuesta duplicando
aproximadamente, la precisin en cada iteracin. Esto concuerda con la propiedad de
convergencia cuadrtica.
Finalmente, es necesario verificar que este resultado satisface a la ecuacin:
>> eval(f)
ans =
0

50
Ejemplo. Se propone el siguiente modelo para describir la demanda de un producto, en donde x
es tiempo en meses:

d(x) = 20x e 0.075x


Encuentre el valor de x para el cual la demanda alcanza el valor de 80 unidades. Use el mtodo
de Newton para los clculos. Elija el valor inicial del grfico y muestre los valores intermedios.
La ecuacin a resolver es:
=
f(x) 20x e 0.075x
=
80 0
>> f=20*x*exp(-0.075*x)-80;
>> ezplot(f,[0,50]),grid on
>> x=5;
>> x=x-eval(f)/eval(diff(f))
x=
6.311945053556490
>> x=x-eval(f)/eval(diff(f))
x=
6.520455024943885
>> x=x-eval(f)/eval(diff(f))
x=
6.525360358429755
>> x=x-eval(f)/eval(diff(f))
x=
6.525363029068742
>> x=x-eval(f)/eval(diff(f))
x=
6.525363029069534
>> x=x-eval(f)/eval(diff(f))
x=
6.525363029069534

(20 x)/exp((3 x)/40) - 80


20

-20

-40

-60

-80
0

10

20

30

40

50

Ejemplo. Una partcula se mueve en el plano X-Y de acuerdo con las ecuaciones paramtricas
siguientes, donde t es tiempo, entre 0 y 1:
x(t)=t*exp(t); y(t)=1+t*exp(2t)
Con la frmula de Newton calcule el tiempo en el que la partcula est ms cerca del punto (1,1)
Distancia de un punto (x, y) al punto (1, 1) :

=
d

(x(t) 1)2 + (y(t) 1)2

Para encontrar la menor distancia, debe resolverse la ecuacin: f(t) = d(t) = 0


>> t=[0:0.01:1];
>> x=t.*exp(t);
>> y=1+t.*exp(2*t);
>> plot(x,y)

Puntos para evaluar las ecuaciones paramtricas

Grfico del recorrido

51

9
8
7
6
5
4
3
2
1
0

0.5

1.5

2.5

>> d=sqrt((t*exp(t)-1)^2+(1+t*exp(2*t)-1)^2);
>> f=diff(d);
>> t=0.5;
>> t=t-eval(f)/eval(diff(f))
t=
0.278246639067713
>> t=t-eval(f)/eval(diff(f))
t=
0.258310527656699
>> t=t-eval(f)/eval(diff(f))
t=
0.256777599742604
>> t=t-eval(f)/eval(diff(f))
t=
0.256768238259669
>> t=t-eval(f)/eval(diff(f))
t=
0.256768237910400
>> t=t-eval(f)/eval(diff(f))
t=
0.256768237910400
>> eval(d)
ans =
0.794004939848305

(tiempo para la menor distancia)

(es la menor distancia)

Ejemplo. Encuentre una interseccin de las siguientes ecuaciones en coordenadas polares


r = 2+cos(3*t), r = 2- e
Ecuacin a resolver:
>> t=[-pi:0.01:2*pi];
>> r=2+cos(3*t);
>> polar(t,r),hold on
>> r=2- exp(t);
>> polar(t,r)

f(t) = 2+cos(3*t) (2-e ) = 0


Puntos para evaluar las ecuaciones

Grfico en coordenadas polares

52
90

120

60
2

150

30
1

180

330

210

300

240
270

>> f=2+cos(3*t)-(2-exp(t));
>> t=-1;
>> t=t-eval(f)/eval(diff(f))
t=
-0.213748703557153
>> t=t-eval(f)/eval(diff(f))
t=
-0.832049609116596
>> t=t-eval(f)/eval(diff(f))
t=
-0.669680711112045
>> t=t-eval(f)/eval(diff(f))
t=
-0.696790503081824
>> t=t-eval(f)/eval(diff(f))
t=
-0.697328890705191
>> t=t-eval(f)/eval(diff(f))
t=
-0.697329123134159
>> t=t-eval(f)/eval(diff(f))
t=
-0.697329123134202
>> t=t-eval(f)/eval(diff(f))
t=
-0.697329123134202
>> r=2+cos(3*t)
r=
1.502086605214547

(valor inicial)

(ngulo: -39.95. grados)

(radio)

53
3.3.7 Instrumentacin computacional del mtodo de Newton
Para evitar iterar desde la ventana de comandos, se puede instrumentar una funcin que reciba
la ecuacin a resolver f, la variable independiente v entre comillas y el valor inicial x.
Adicionalmente se debe enviar un parmetro E para controlar la precisin requerida y otro
parmetro m para el mximo de iteraciones.
La funcin entrega la solucin calculada r y el nmero de iteraciones realizadas k. Si el mtodo
no converge en el mximo de iteraciones previsto, u contendr un valor nulo y el nmero de
iteraciones k ser igual al mximo m.
function [r,k]=newton(f,v,x,E,m)
% f: Ecuacin a resolver (formato texto)
% v: Variable independiente (formato texto)
% x: Valor inicial
% E: Error esperado en la respuesta
% m: Mximo de iteraciones permitido
% r: Raz calculada
% k: Cantidad de iteraciones realizadas
r=x;
for k=1:m
x=x-subs(f,v,x)/subs(char(diff(f,v)),v,x);
if abs(r-x)<E
return
end
r=x;
end
u=[ ];
k=m;
Ejemplo. Calcule las dos races reales de f(x) = e - x = 0 con la funcin newton. Los valores
iniciales son tomados del grfico.
x

>> f=exp(x)-pi*x;
>> ezplot(f,[0,2]),grid on
exp(x) - x
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4

0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

>> [u,k]=newton(f, 'x', 0.5, 0.000001, 10)


u=
0.553827036644514
k=
4

Primera raz

54
>> [u,k]=newton(f, 'x', 1.6, 0.000001, 10)
u=
1.638528419970363
k=
4

Segunda raz

Si no es de inters el nmero de iteraciones, la funcin puede llamarse con un solo parmetro


>> u=newton(f, 'x', 0.5, 0.000001, 10)
u=
0.553827036644514

3.3.8

Uso de funciones especiales de MATLAB

MATLAB dispone de funciones especiales para calcular races de ecuaciones no lineales.


La funcin fzero
Es equivalente a usar los mtodos de la biseccin y de Newton
Ejemplo. Resuelva la ecuacin f(x) = e - x = 0 usando fzero
x

>> f='exp(x)-pi*x';
>> r=fzero(f, [0.4, 0.8])
r=
0.55382703664451

(Para usar como el mtodo de la biseccin


se especifica el intervalo que contiene a la raz)

>> f='exp(x)-pi*x';
>> r=fzero(f, 0.4)
r=
0.553827036644514
>> r=fzero(f, 1.6)
r=
1.638528419970363

(Para usar como el mtodo de Newton


se especifica un valor cercano a la raz)

La funcin solve
Se usa resolver ecuaciones en forma simblica exacta. En algunos casos la solucin queda
expresada mediante smbolos predefinidos en MATLAB. Con la funcin eval se convierten las
soluciones al formato numrico decimal. Esta funcin no siempre entrega todas las soluciones
de una ecuacin.
Ejemplo. Resuelva la ecuacin f(x) = e - x = 0 usando solve
x

>> f='exp(x)-pi*x';
>> r=eval(solve(f))
r=
0.553827036644514

(Raz real en forma numrica decimal)

La funcin roots
Sirve para calcular todas las races de ecuaciones polinmicas. Los coeficientes del polinomio
deben almacenarse en un vector.
3

Ejemplo. Encuentre todas las races del polinomio 2x - 5x - 4x - 7 = 0 usando roots

55

>> a=[2, -5, -4, -7];


>> r=roots(a)
r=
3.39334562071304
-0.44667281035652 + 0.91209311493838i
-0.44667281035652 - 0.91209311493838i

(Coeficientes del polinomio)

(Una raz real y dos races complejas)

3.4 Ejercicios y problemas de ecuaciones no-lineales

1. La suma de dos nmeros reales positivos es 5 y el producto de sus cuadrados es 20.


Encuentre estos dos nmeros.
2. El producto de las edades en aos de dos personas es 677.35 y si se suman los cubos de
ambas edades se obtiene 36594.38 Encuentre cuales son estas edades.
3. Una empresa produce semanalmente una cantidad de artculos. El costo de produccin
semanal tiene un costo fijo de 250 y un coso de 2.50 por cada artculo producido. El ingreso
semanal por venta tiene un valor de 3.50 por cada artculo vendido, ms un costo de
oportunidad que se ha estimado directamente proporcional a la cantidad de artculos producidos,
multiplicado por el logaritmo natural. Encuentre el punto de equilibrio para este modelo.
4. En una empresa de fertilizantes el modelo v(x) = 0.4x (30 - x) corresponde a las ventas en
miles de dlares cada mes, mientras que el costo de produccin mensual, en miles de dlares es
c(x) = 5 + 10 ln(x), siendo x la cantidad producida en toneladas, 1x30.
a) Determine la cantidad que debe producirse para que la ganancia mensual sea 40
b) Determine la cantidad mensual que se debe producir para obtener la mxima ganancia.
5. El costo semanal fijo por uso de un local para venta de cierto tipo de artculo es $50. Producir
cada Kg. del artculo cuesta $2.5. El ingreso por venta es 3x + 2 ln(x) en donde x representa la
cantidad de kg vendidos en cada semana. Determine la cantidad de Kg. que se debe vender
semanalmente a partir de la cual la empresa obtiene ganancias.
6. En una planta de abastecimiento de combustible se tiene un tanque de forma esfrica. El
volumen del lquido almacenado en el tanque se puede calcular mediante la siguiente frmula:
v(h) =
h2 (R h / 3) ,donde h representa la altura del lquido dentro del tanque medida desde la
parte inferior del tanque y R su radio (0 h 2R). Suponga que el tanque tiene un radio de 2 m.
3
Calcule la altura que debe tener el lquido para que el tanque contenga 27 m . Calcule el
4
resultado con una tolerancia E=10 .
7. Encuentre el punto de la curva dada por y =
2x 5 3xe x 10 ubicado en el tercer cuadrante,
donde su recta tangente sea paralela al eje X.
8. Determine la raz real de la ecuacin: sin(x) = ln(x)
9. Determine la segunda raz real positiva, con 4 decimales exactos de la ecuacin:
5 cos(x) = tan(x)

56
10. Calcule una raz real positiva de la ecuacin sin(x) + 1 = x.
11. Para que f sea una funcin de probabilidad se tiene que cumplir que su integral en el dominio
2
de f debe tener un valor igual a 1. Encuentre el valor de b para que la funcin f(x)=2x + x sea
una funcin de probabilidad en el dominio [0, b].
2

12. Calcule con cuatro decimales exactos la interseccin de la ecuacin (y 1) + x = 6, con la


recta que incluye a los puntos (-1, -1), (1, 1) en el plano.
13. Encuentre una frmula iterativa de convergencia cuadrtica y defina un intervalo de
convergencia apropiado para calcular la raz real n-sima de un nmero real. El algoritmo
solamente debe incluir operaciones aritmticas elementales.
14. Un ingeniero desea tener una cantidad de dlares acumulada en su cuenta de ahorros para
su retiro luego de una cantidad de aos de trabajo. Para este objetivo planea depositar un valor
mensualmente. Suponga que el banco acumula el capital mensualmente mediante la siguiente
frmula:
(1 + x)n 1 , en donde
A = P

A: Valor acumulado, P: Valor de cada depsito mensual


n: Cantidad de depsitos mensuales, x: Tasa de inters mensual
Determine la tasa de inters anual que debe pagarle el banco si desea reunir 200000 en 25 aos
depositando cuotas mensuales de 350

15. Una empresa compra una mquina en 20000 dlares pagando 5000 dlares cada ao
durante los prximos 5 aos. La siguiente frmula relaciona el costo de la mquina P, el pago
anual A, el nmero de aos n y el inters anual x:

A =P

x(1 + x)n
(1 + x)n 1

Determine la tasa de inters anual x que se debe pagar.


16. Una empresa vende un vehculo en P=$34000 con una entrada de E=$7000 y pagos
mensuales de M=$800 durante cinco aos. Determine el inters mensual x que la empresa est
cobrando. Use la siguiente frmula:
M
1
P =+
E
[1
] , en donde n es el nmero total de pagos mensuales
x
(1 + x)n
0.1t
17. Un modelo de crecimiento poblacional est dado por: f(t) = 5t + 2e , en donde n es el
nmero de habitantes, t es tiempo en aos.
a) Calcule el nmero de habitantes que habrn en el ao 25
b) Encuentre el tiempo para el cual la poblacin es 200
0.1x

18. Un modelo de crecimiento poblacional est dado por. f(x) = kx + 2e , siendo k una
constante que debe determinarse y x tiempo en aos. Se conoce que f(10)=50.
a) Determine la poblacin en el ao 25
b) Determine el ao en el que la poblacin alcanzar el valor 1000.
0.1t

19. Un modelo de crecimiento poblacional est dado por f(t) = k1 t + k2 e


Siendo k1 y k2 constantes, y t tiempo en aos.
Se conoce que f(10)=25, f(20)=650.
Determine el ao en el que la poblacin alcanzar el valor 5000.

57
20. La concentracin de bacterias contaminantes
1.5 t

c en un lago decrece de acuerdo con la

0.075 t

=
c 70e
+ 25e
relacin:
.
Se necesita determinar el tiempo para que la concentracin de bacterias se reduzca a 15
unidades o menos.
a) Determine un intervalo de existencia de la raz de la ecuacin. Use un grfico
b) Aproxime la raz indicando la cota del error.
21. En un modelo de probabilidad se usa la siguiente frmula para calcular la probabilidad f(k)
que en el intento nmero k se obtenga el primer resultado favorable:
k-1
f(k) = p(1-p) ,0p1, k=0, 1, 2, 3, .
a) Si en una prueba se obtuvo que f(5) = 0.0733, encuentre cuales son los dos posibles valores
de p posibles en la frmula.
b) Con el menor valor obtenido para p encuentre el menor valor de k para el que f(k)<0.1
22. Para simular la trayectoria de un cohete se usar el siguiente modelo:
y(t) =
6 + 2.13t 2 0.0013t 4
En donde y es la altura alcanzada, en metros y t es tiempo en segundos. El cohete est
colocado verticalmente sobre la tierra.
a) Encuentre el tiempo de vuelo.
b) Encuentre la altura mxima del recorrido.
23. El movimiento de una partcula en el plano, se encuentra representado por las ecuaciones
paramtricas:
x(t)= 3sen3 (t) 1; y(t)= 4sen(t) cos(t); t 0
Donde x, y son las coordenadas de la posicin expresadas en cm, t se expresa en seg.
a) Demuestre que existe un instante t [0, / 2] tal que sus coordenadas x e y coinciden.

b) Encuentre con un error de 105 en qu instante las dos coordenadas sern iguales en el
intervalo dado en a).
24. Los polinomios de Chebyshev Tn(x) son utilizados en algunos mtodos numricos. Estos
polinomios estn definidos recursivamente por la siguiente formulacin:
To(x) = 1, T1(x) = x
Tn(x) = 2.x.Tn-1(x)-Tn-2(x), n= 0, 1, 2, 3,
Calcule todas las races reales positivas de T7(x).
25. La posicin del ngulo central en el da t de la luna alrededor de un planeta si su perodo de
revolucin es P das y su excentricidad es e, se describe con la ecuacin de Kepler:
2 t - P + P e sen = 0
Encuentre la posicin de la luna (ngulo central) en el da 30, sabiendo que el perodo de
revolucin es 100 das y la excentricidad 0.5.
26. Una partcula se mueve en el plano XY (la escala est en metros) con una trayectoria
descrita por la funcin u(t) = (x(t), y(t)) = 2t e t + 4 t , 2t 3 , t[0,1], t medido en horas.

a) Grafique la trayectoria u(t)


b) Encuentre la posicin de la partcula cuando x=3.
c) En que el instante la partcula se encuentra a una distancia de 4 metros del origen.
27. La siguiente ecuacin relaciona el factor de friccin f y el nmero de Reynolds Re para flujo
turbulento que circula en un tubo liso: 1/f = 0.4 + 1.74 ln(Re f)
Calcule el valor de f para Re = 20000

58

0.2x

28. En una regin se instalan 100 personas y su tasa de crecimiento es e , en donde x es


tiempo en aos. La cantidad inicial de recursos disponibles abastece a 120 personas. El
incremento de recursos disponibles puede abastecer a una tasa de 10x personas, en donde x es
tiempo en aos. Se desea conocer cuando los recursos no sern suficientes para abastecer a
toda la poblacin. Calcule la solucin con cuatro dgitos de precisin y determine el ao, mes y
da en que se producir este evento.
29. Suponga que el precio de un producto f(x) depende del tiempo x en el que se lo ofrece al
mercado con la siguiente relacin f(x) = 25x exp(-0.1x), 0x12, en donde x es tiempo en
meses. Se desea determinar el da en el que el precio sube a 80.
a) Evale f con x en meses hasta que localice una raz real (cambio de signo) y trace la forma
aproximada de f(x)
-4
b) Calcule la respuesta (mes) con E=10 . Exprese esta respuesta en das (1mes = 30 das)
-4
c) Encuentre el da en el cual el precio ser mximo. E=10
30. Determine de ser posible, el valor del parmetro > 0 , tal que

xe dx = 10 .
x

31. Una partcula sigue una trayectoria elptica centrada en el origen (eje mayor 4 y eje menor 3)
comenzando en el punto ms alto, y otra partcula sigue una trayectoria parablica ascendente
hacia la derecha comenzando en el origen (distancia focal 5). El recorrido se inicia en el mismo
instante.
a) Encuentre el punto de interseccin de las trayectorias.
b) Si la primera partcula tiene velocidad uniforme y pasa por el punto ms alto cada minuto,
2
determine el instante en el cual debe lanzarse la segunda partcula con aceleracin 10 m/s para
que intercepte a la primera partcula.
32. La velocidad V de un paracaidista est dada por la frmula:
ct

gx
=
V
(1 e x )
c
2
En donde
g=9.81 m/s (gravedad terrestre,
c=14 kg/s (coeficiente de arrastre)
t: tiempo en segundos,
x: masa del paracaidista en kg.
Cuando transcurrieron 7 segundos se detect que la velocidad es 35 m/s. Determine la masa del
paracaidista. E=0.001
33. Se desea dividir un pastel circular de 35 cm. de dimetro, mediante dos cortes paralelos, de
tal manera que las tres porciones obtenidas tengan igual cantidad. Formule el modelo
matemtico (una ecuacin no lineal con una incgnita: altura de la perpendicular del centro a
cada lnea de corte) y obtenga el ancho de cada uno de los tres cortes.
34. Una esfera de densidad 0.4 y radio 5 flota parcialmente sumergida en el agua. Encuentre la
profundidad h que se encuentra sumergida la esfera.
Nota: requiere conocer la densidad del agua y el volumen de un segmento esfrico.
35. Se necesita un recipiente rectangular, sin tapa, de un litro de capacidad. Para construirlo se
usar una lmina rectangular de 32 cm de largo y 24 cm de ancho. El procedimiento ser
recortar un cuadrado idntico en cada una de las cuatro esquinas y doblar los bordes de la
lmina para formar el recipiente. Se necesita determinar la medida del lado del cuadrado que se
debe recortar en cada esquina para que el recipiente tenga la capacidad requerida.
-4

Calcule una solucin factible para el problema, con error 10

59
3.5

Races reales de sistemas de ecuaciones no-lineales

En general este es un problema difcil, por lo que conviene intentar reducir el nmero de
ecuaciones y en caso de llegar a una ecuacin, poder aplicar alguno de los mtodos conocidos.
Si no es posible reducir el sistema, entonces se intenta resolverlo con mtodos especiales para
sistemas de ecuaciones no-lineales.
Debido a que el estudio de la convergencia de estos mtodos es complicado, se prefiere utilizar
algn mtodo eficiente, de tal manera que numricamente pueda determinarse la convergencia o
divergencia con los resultados obtenidos.
Una buena estrategia consiste en extender el mtodo de Newton, cuya convergencia es de
segundo orden, al caso de sistemas de ecuaciones no lineales. En esta seccin se describe la
frmula para resolver un sistema de n ecuaciones no lineales y se la aplica a la solucin de un
sistema de dos ecuaciones. Al final de este captulo se propone una demostracin ms formal de
esta frmula.
3.5.1

Frmula iterativa de segundo orden para calcular races reales de sistemas de


ecuaciones no-lineales

Sean F: f1, f2, , fn sistema de ecuaciones no lineales con variables X: x1, x2, , xn. Se
requiere calcular un vector real que satisfaga al sistema F
En el caso de que F contenga una sola ecuacin f con una variable x, la conocida frmula
iterativa de Newton puede escribirse de la siguiente manera:
+ 1)
x (k=
x (k) (

df (k) 1 (k)
) f , k=0, 1, 2,
dx

(iteraciones)

Si F contiene n ecuaciones, la frmula se puede extender, siempre que las derivadas existan:

F(k) 1 (k)
X (k + 1) =
X (k) (
) F =
X (k) (J(k) )1F(k)
X
En donde:

X (k + 1)

f
x

f
x
x
(k)
(k)

=
, X =
, F =
, J(k)
...
...
...
(k + 1)
(k)
(k)
fn
xn
xn
(k + 1)
1
(k + 1)
2

(k)
1
(k)
2

(k)
1
(k)
2

f1(k)

x 1
f (k)
2
= x 1
...

fn(k)

x 1

f1(k)
x 2

...

f2(k)
x 2

...

...

...

fn(k)
x 2

...

f1(k)

x n
f2(k)

x n
...

fn(k)

x n

J es la matriz jacobiana
Esta ecuacin de recurrencia se puede usar iterativamente con k=0, 1, 2, partiendo de un
(0)
(1)
(2)
(3)
vector inicial X generando vectores de aproximacin: X , X , X ,
3.5.2

Convergencia del mtodo de Newton para sistemas de ecuaciones no lineales

En forma general la convergencia de este mtodo para sistemas no lineales requiere que:
a) f1, f2, fn as como sus derivadas sean continuas en la regin de aplicacin.
b) El determinante del Jacobiano no se anule en esta regin
c) El valor inicial y los valores calculados pertenezcan a esta regin, la cual incluye a la raz
que se intenta calcular

60
3.5.3

Algoritmo del mtodo de Newton para sistemas de ecuaciones no lineales

Dado un sistema de ecuaciones F = 0, sea J su matriz Jacobiana. El siguiente algoritmo genera


una sucesin de vectores que se espera tienda al vector solucin.
Algoritmo: Newton para sistemas
Restriccin:
No detecta divergencia
Entra: F
(Vector con las ecuaciones)
X
(Vector inicial)
E
(Error o tolerancia)
Sale: U
(vector aproximacin al vector solucin, con error E)
J

F
X

(Construir la matriz Jacobiana)

U X (J)1F
Mientras ||U-X||>E
XU
U X (J)1F
Fin

(Evaluar con los valores iniciales de X)

(Evaluar con los valores actuales de X)

Ejemplo. Encuentre las races reales del sistema:

f1 (x, y) = (x 2)2 + (y 1)2 + xy 3 = 0


f 2 (x,=
y) xe x + y + y =
3 0
En el caso de dos ecuaciones con dos variables, sus grficos pueden visualizarse en el plano.
Las races reales son las intersecciones.
La siguiente figura obtenida
muestra las dos ecuaciones en el plano X-Y
y
e p(con
y) MATLAB
3 0
4

-1

-2

0.5

1.5

2
x

2.5

3.5

El grfico se obtuvo con los siguientes comandos de MATLAB y el editor de grficos:


>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> ezplot(f1,[0,4,-2,4]),grid on,hold on
>> ezplot(f2,[0,4,-2,4])
No es posible reducir el sistema a una ecuacin, por lo que se debe utilizar un mtodo para
resolverlo simultneamente con la frmula propuesta:

61
Clculo manual con el mtodo de Newton

f1 (x, y) = (x 2)2 + (y 1)2 + xy 3 = 0


f 2 (x,=
y) xe x + y + y =
3 0
x (0) 0.5
Vector inicial =
X
=

(0)
y 1.0
(0)

(tomado del grfico)

Matriz jacobiana y vectores con las variables y las ecuaciones

f1 f1
x y 2x + y 4 x + 2y 2

=
J =

f2 f2 e x + y (1 + x) xe x + y + 1

x y

f1 (x 2)2 + (y 1)2 + xy 3
x
F =
X = ,=


xe x + y + y 3
y
f2

Ecuacin de recurrencia
+ 1)
X (k=
X (k) (J(k) )1F(k)

Primera iteracin: k=0


(1)
X=
X (0) (J(0) )1F(0)

x (1) 0.5 2(0.5) + 1 4 0.5 + 2(1) 2 (0.5 2)2 + (1 1)2 + 0.5(1) 3


=

0.5 + 1 (1 + 0.5) 0.5e0.5 + 1 + 1


(1)
0.5e0.5 + 1 + 1 3

y 1.0 e

0.5 0.25
x (1) 0.5 2
=
1.0 6.7225 3.2408 0.2408
(1)

y
(1)
x 0.5 0.3293 0.0508 0.25 0.4055
(1) =

y 1.0 0.6830 0.2032 0.2408 1.1218


3.5.4

Prctica computacional

Obtencin de las races de las ecuaciones para el ejemplo anterior mediante comandos de
MATLAB. Se usarn variables de tipo simblico
Ecuacin de recurrencia:

+ 1)
X (k=
X (k) (J(k) )1F(k)

>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> F=[f1; f2];
>> X=[x; y];
>> U=[0.5; 1.0];
>> J=[diff(f1,x) diff(f1,y); diff(f2,x) diff(f2,y)]
J=
[
2*x + y - 4,
x + 2*y - 2]
[ exp(x + y) + x*exp(x + y), x*exp(x + y) + 1]

Vector con las ecuaciones


Vector con las variables
Vector inicial (del grfico)
Matriz jacobiana

62
En lugar de usar la ecuacin de recurrencia directamente en la ventana de comandos se
instrumentar una funcin computacional la cual incluir la obtencin de la matriz jacobiana y
realizar los clculos en cada iteracin
3.5.5 Instrumentacin computacional del mtodo de Newton para un sistema de n
ecuaciones no-lineales.
Sea

F: f1, f2, , fn ecuaciones con variables independientes X: x1, x2, , xn.

Ecuacin de recurrencia:
+ 1)
X (k=
X (k) (J(k) )1F(k) , k=0, 1, 2,

En donde J es la matriz jacobiana del sistema


Entrada
F:
X:
U:

Vector con las ecuaciones


Vector con las variables independientes
Vector con valores iniciales para las variables

U:

Vector con los nuevos valores calculados para las variables

Salida

Nota: La convergencia ser controlada interactivamente reusando la funcin desde la ventana


de comandos. Por las propiedades de este mtodo, la convergencia o divergencia ser muy
rpida.
Alternativamente, se puede incorporar a la instrumentacin un ciclo con un mximo de
iteraciones para que las iteraciones se realicen dentro de la funcin.
Las derivadas parciales se obtienen con la funcin diff y la sustitucin de los valores de U en las
variables se realiza con la funcin subs. La solucin se la obtiene con la inversa de la matriz de
las derivadas parciales J.
function U = snewton(F, X, U) %Sistemas no lineales
n=length(F);
for i=1:n
%Obtencin de la matriz jacobiana J
for j=1:n
J(i,j)=diff(F(i), X(j));
end
end
for i=1:n
%Sustitucin del vector U en J
for j=1:n
for k=1:n
if findstr(char(J(i,j)), char(X(k)))>0
J(i,j)=subs(J(i,j), X(k), U(k));
end
end
end
end
for i=1:n
for j=1:n
F(i)=subs(F(i), X(j), U(j));
end
end

%Sustitucin del vector U en el vector F

U=U-inv(eval(J))*eval(F);

%Obtencin de la nueva aproximacin U

63
Ejemplo. Use la funcin snewton para encontrar una raz real del sistema
f1 (x, y) = (x 2)2 + (y 1)2 + xy 3 = 0
f 2 (x,=
y) xe x + y + y =
3 0

>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> F=[f1; f2];
>> X=[x; y];
>> U=[0.5; 1];
>> U=snewton(F, X, U)
U=
0.405451836483295
1.121807345933181
>> U=snewton(F, X, U)
U=
0.409618877363502
1.116191209478472
>> U=snewton(F, X, U)
U=
0.409627787030011
1.116180137991845
>> U=snewton(F, X, U)
U=
0.409627787064807
1.116180137942814
>> U=snewton(F, X, U)
U=
0.409627787064807
1.116180137942814
Se observa la rpida convergencia.
Para verificar que son races reales de las ecuaciones debe evaluarse f
>> subs(f1,X,U)
ans =
4.440892098500626e-016
>> subs(f2,X,U)
ans =
0
Los valores obtenidos son muy pequeos, por lo cual se aceptan las races calculadas
Para calcular la otra raz, tomamos del grfico los valores iniciales cercanos a esta raz.
>> U=[2.4; -1.5];
>> U=snewton(F, X, U)
U=
2.261842718297048
-1.535880731849205
>> U=snewton(F, X, U)
U=
2.221421001369104
-1.512304705819129

64
>> U=snewton(F, X, U)
U=
2.220410814294533
-1.511478104887419
>> U=snewton(F, X, U)
U=
2.220410327256473
-1.511477608846960
>> U=snewton(F, X, U)
U=
2.220410327256368
-1.511477608846834
>> U=snewton(F, X, U)
U=
2.220410327256368
-1.511477608846835
>> subs(f1,X,U)
ans =
-8.881784197001252e-016
>> subs(f2,X,U)
ans =
8.881784197001252e-016

(Comprobar si es una solucin del sistema)

65
3.5.6

Uso de funciones de MATLAB para resolver sistemas no-lineales

La funcin solve de MATLAB se puede usar para resolver sistemas no lineales como el ejemplo
anterior:
>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> F=[f1;f2];
>> [x,y]=solve(F)
x=
0.409627787064806898766476190893
y=
1.116180137942813562571698234565
El mtodo solve de MATLAB proporciona solamente una de las dos soluciones. Con esto
concluimos que no siempre los programas computacionales disponibles producen todas las
respuestas esperadas.

3.5.7

Obtencin de la frmula iterativa de segundo orden para calcular races reales de


sistemas de ecuaciones no lineales

Se considera el caso de dos ecuaciones y luego se generaliza a ms ecuaciones


Sean

f1(x1, x2) = 0, f2(x1, x2) = 0 dos ecuaciones no-lineales con variables x1, x2.

Sean r1, r2 valores reales tales que f1(r1, r2) = 0, f2(r1, r2) = 0, entonces (r1, r2) constituye una
raz real del sistema y es de inters calcularla.
Suponer que f1, f2 son funciones diferenciables en alguna regin cercana al punto (r1, r2)
Con el desarrollo de la serie de Taylor expandimos f1, f2 desde el punto (x1(k) , x 2(k) ) al punto
+ 1)
(x1(k + 1) , x (k
)
2

(k + 1)
1

=
f + (x
(k)
1

(k + 1)
1

(k)
f1(k)
(k + 1)
(k) f1
x )
+ (x 2 x 2 )
+ O(x1(k + 1) x1(k) )2 + O(x 2(k + 1) x 2(k) )2
x 1
x 2
(k)
1

f2(k + 1) =
f2(k) + (x1(k + 1) x1(k) )

f2(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 2 + O(x1(k + 1) x1(k) )2 + O(x 2(k + 1) x 2(k) )2
x 1
x 2

Por simplicidad se ha usado la notacin:

+ 1)
f1(k) = f1 (x1(k) , x 2(k) ) , f1(k + 1) = f1 (x1(k + 1) , x (k
) , etc.
2

En los ltimos trminos de ambos desarrollos se han escrito nicamente los componentes de
inters, usando la notacin O( ).
Las siguientes suposiciones, son aceptables en una regin muy cercana a (r1, r2):

66

(x1(k) , x (k)
cercano a la raz (r1, r2)
2 )

+ 1)
Si el mtodo converge cuadrticamente entonces (x1(k + 1) , x (k
) estar muy cercano a (r1, r2)
2

Por lo tanto se puede aproximar:

f1 (x1(k + 1) , x 2(k + 1) ) 0
f2 (x1(k + 1) , x 2(k + 1) ) 0
+ 1)
Por otra parte, si (x 1 , x 2 ) es cercano a (x1(k + 1) , x (k
) , las diferencias sern pequeas y al
2
elevarse al cuadrado se obtendrn valores ms pequeos y se los omite.

(k)

(k)

Sustituyendo en el desarrollo propuesto se obtiene como aproximacin el sistema lineal:

0=
f1(k) + (x1(k + 1) x1(k) )

f1(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 1
x 1
x 2

0=
f2(k) + (x1(k + 1) x1(k) )

f2(k)
f (k)
+ (x 2(k + 1) x 2(k) ) 2
x 1
x 2

En notacin matricial:

=
F(k) J(k) (X (k + 1) X (k) )
Siendo

f (k)
F(k) = 1(k) ,
f2

x (k)
X (k) = 1(k) ,
x2

x (k + 1)
X (k + 1) = 1(k + 1) ,
x2

J(k)

f1(k)

x 1
= (k)
f
2
x1

f1(k)

x 2
f2(k)

x 2

J(k)=
X (k + 1) J(k) X (k) F(k)
+ 1)
X (k=
X (k) (J(k) )1F(k) ,

| J(k) | 0

Es la ecuacin de recurrencia que se puede usar iterativamente con k=0, 1, 2, partiendo de


(0)
(1)
(2)
(3)
un vector inicial X generando vectores de aproximacin: X , X , X ,
La notacin matricial y la ecuacin de recurrencia se extienden directamente a sistemas de n
ecuaciones no lineales f1, f2, , fn con variables x1, x2, , xn. La matriz de las derivadas
parciales J se denomina jacobiano. La ecuacin de recurrencia se reduce a la frmula de
Newton si se tiene una sola ecuacin.

67
3.5.8

Ejercicios y problemas de sistemas de ecuaciones no-lineales

1. Encuentre las soluciones del sistema de ecuaciones dado:


y
sin(x) + e - xy = 5
2
3
x + y - 3xy = 7
a) Grafique las ecuaciones en el intervalo [-4, 4, -4, 4] y observe que hay dos races reales. Elija
del grfico, valores aproximados para cada raz.
b) Use iterativamente la funcin snewton:
c) Compruebe que las soluciones calculadas satisfacen a las ecuaciones
d) Calcule las soluciones con la funcin solve de MATLAB y compare
2. Encuentre las soluciones del sistema de ecuaciones dado:
cos(x+y) + xy=3
2
2
3(x - 2) - 2(y - 3) = 5xy
a) Grafique las ecuaciones en el intervalo [-6, 6, -6, 6] y observe que hay dos races reales. Elija
del grfico, valores aproximados para cada raz.
b) Use iterativamente la funcin snewton:
c) Compruebe que las soluciones calculadas satisfacen a las ecuaciones
d) Calcule las soluciones con la funcin solve de MATLAB y compare
2

3. Dada la funcin f(x, y) = (x - y) sen(2x+y) se desea localizar y calcular las coordenadas de


un mximo local.
Plantee un sistema de dos ecuaciones no lineales con las derivadas parciales de f igualadas a
cero. Grafique las ecuaciones en el plano X,Y. Elija un punto inicial y use iterativamente la
funcin snewton para calcular una solucin.
ax+b

+ a incluya a los
4. Determine los coeficientes a, b para que la funcin f(x) = (ax+b)e
puntos (1,3), (2,4)
a) Plantee un sistema de dos ecuaciones no lineales para obtener la respuesta
-6

b) Elija los valores (0, 1) como valores iniciales para (a, b). Obtenga la respuesta con error 10

5. El siguiente grfico es el brazo de un robot compuesto de dos segmentos articulados en los


puntos A y B. Las longitudes de los brazos son L1 y L2. Determine los ngulos X y Y para que
el extremo C coincida con el punto P de coordenadas (u, v).

a) Construya el modelo matemtico mediante un sistema de dos ecuaciones no lineales


+ 1)
b) Plantee la formulacin X (k=
X (k) (J(k) )1F(k) , k=0, 1, 2, para resolver el sistema
c) Elija valores para L1, L2, u, v. Elija valores iniciales y use la funcin snewton o solve de
MATLAB para obtener la solucin. E=0.0001.
d) Analice las implicaciones de esta solucin en el movimiento del brazo.

68
4

MTODOS DIRECTOS PARA RESOLVER SISTEMAS DE


ECUACIONES LINEALES

En este captulo se estudia el componente algortmico y computacional de los mtodos directos


para resolver sistemas de ecuaciones lineales.
Ejemplo. Un comerciante compra tres productos: A, B, C, pero en las facturas nicamente
consta la cantidad comprada en Kg. y el valor total de la compra. Se necesita determinar el
precio unitario de cada producto. Para esto dispone de tres facturas con los siguientes datos:
Factura Cantidad de A Cantidad de B Cantidad de C
1
4
2
5
2
2
5
8
3
2
4
3

Valor pagado
$18.00
$27.30
$16.20

Anlisis
Sean x1,x 2 ,x 3 variables que representan al precio unitario de cada producto en dlares por Kg.
Entonces, se puede escribir:
4x1 + 2x 2 + 5x 3 =
18.00

2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
El modelo matemtico resultante es un sistema lineal de tres ecuaciones con tres variables.

En general, se desea resolver un sistema de n ecuaciones lineales con n variables


a1,1x1 + a1,2 x 2 + ... + a1,n xn =
b1
a2,1x1 + a2,2 x 2 + ... + a2,n xn =
b2
...
an,1x1 + an,2 x 2 + ... + an,n xn =
bn

En donde
ai,j : Coeficientes

bi : Constantes
xi : Variables cuyo valor debe determinarse
En notacin matricial:
a1,1
a
2,1
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,n x1 b1
a2,n x 2 b2
=
... ... ...

an,n xn bn

Simblicamente
AX = B
Siendo
a1,1
a
2,1
=
A
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,n
a2,n
=
; B
...

an,n

b1
b
2
=
; X
...

bn

x1
x
2
...

xn

69
4.1

Determinantes y sistemas de ecuaciones lineales


-1

Sea A la matriz de coeficientes del sistema AX = B. Sea A su inversa y |A| su determinante.


La relacin entre |A| y la existencia de la solucin X se establece con la siguiente definicin:
[adj(A)]T
,
A 1 =
|A|
T

En donde [adj(A)] es la transpuesta de la adjunta de la matriz A.


Si |A| 0 , entonces A 1 existe, y se puede escribir:

AX =
B A 1AX =
A 1B

=
X A 1B =
X A 1B

En donde es la matriz identidad. En resumen, si |A| 0 entonces X existe y adems es nico.

4.2

Mtodo de Gauss - Jordan

La estrategia de este mtodo consiste en transformar la matriz A del sistema AX = B y reducirla


a la matriz identidad. Segn el enunciado anterior, esto es posible si | A | 0. Aplicando
simultneamente las mismas transformaciones al vector B, este se convertir en el vector
solucin A 1B .
En caso de que esta solucin exista, el procedimiento debe transformar las ecuaciones mediante
operaciones lineales que no modifiquen la solucin del sistema original:
a) Intercambiar ecuaciones
b) Multiplicar ecuaciones por alguna constante no nula
c) Sumar alguna ecuacin a otra ecuacin

Ejemplo. Con el Mtodo de Gauss-Jordan resuelva el siguiente sistema de ecuaciones lineales

4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20

Solucin: Se define la matriz aumentada A | B para transformar simultneamente A y B:


4 2 5 18.00
A | B = 2 5 8 27.30
2 4 3 16.20

Las transformaciones sucesivas de la matriz aumentada se describen en los siguientes pasos:

Dividir fila 1 para 4


1.0000
2.0000
2.0000

0.5000 1.2500 4.5000


5.0000 8.0000 27.3000
4.0000 3.0000 16.2000

70

Restar de cada fila, la fila 1 multiplicada por el elemento de la columna 1


1.0000 0.5000 1.2500 4.5000
0
4.0000 5.5000 18.3000
0
3.0000 0.5000 7.2000

Dividir fila 2 para 4


1.0000 0.5000
0
1.0000
0
3.0000

1.2500
1.3750
0.5000

4.5000
4.5750
7.2000

Restar de cada fila, la fila 2 multiplicada por el elemento de la columna 2


1.0000
0
0.5625
0
1.0000 1.3750
0
0
-3.6250

2.2125
4.5750
-6.5250

Dividir fila 3 para -3.625


1.0000
0
0
1.0000
0
0

0.5625
1.3750
1.0000

2.2125
4.5750
1.8000

Restar de cada fila, la fila 3 multiplicada por el elemento de la columna 3


1.0000
0
0
1.0000
0
0

0
0
1.0000

1.2000
2.1000
1.8000

La matriz de los coeficientes ha sido transformada a la matriz identidad.


Simultneamente, las mismas transformaciones han convertido a la ltima columna en el vector
solucin:
1.2
X = 2.1
1.8

Como antes, la solucin debe verificarse en el sistema:


4 2 5 1.2
2.1
=
A * X 2 5 8 =

2 4 3 1.8

18.0
=

27.3 B
16.2

71
4.2.1

Formulacin del mtodo de Gauss-Jordan

Para establecer la descripcin algortmica, conviene definir la matriz aumentada A con el vector
B pues deben realizarse simultneamente las mismas operaciones:
a1,1 a1,2 ... a1,n a1,n+1
a

2,1 a 2,2 ... a 2,n a 2,n+ 1


A |B =
...
... ... ...
...

an,1 an,2 ... an,n an,n+ 1


En donde se ha agregado la columna n+1 con el vector de las constantes:
ai,n+1 = bi, i = 1, 2, 3, ..., n

(columna n+1 de la matriz aumentada)

El objetivo es transformar esta matriz y llevarla a la forma de la matriz identidad I:

a1,1 a1,2
a
2,1 a 2,2
A |B =
...
...

a
a
n,2
n,1

... a1,n
... a2,n
... ...
... an,n

a1,n+1
1 0

a2,n+1
0 1
...

...
... ...

an,n+ 1
0 0

... 0 a1,n+ 1

... 0 a2,n+ 1
... ... ...

... 1 an,n+ 1

Si es posible realizar esta transformacin, entonces los valores que quedan en la ltima columna
constituirn el vector solucin X
Las transformaciones deben ser realizadas en forma sistemtica en n etapas, obteniendo
sucesivamente en cada etapa, cada columna de la matriz identidad, de izquierda a derecha.
En cada etapa, primero se har que el elemento en la diagonal tome el valor 1. Luego se har
que los dems elementos de la columna tomen el valor 0.

1 0

0 1
... ...

0 0

... 0 a1,n+ 1

... 0 a2,n+ 1
... ... ...

... 1 an,n+ 1

Etapa 1

Etapa n
Etapa 2

Etapa 1
Normalizar la fila 1:

a1,j a1,j / a1,1

(colocar 1 en el lugar del elemento a 1,1


j=1, 2, ..., n+1; supones que a1,1 0

Reducir las otras filas: (colocar 0 en los otros elementos de la columna 1)

ai,j ai,j ai,1a1,j ,

A |B

a1,1

a2,1
...

an,1

a1,2
a2,2

...
...

an,1

...

j=1, 2, ..., n+1; i=2, 3, ..., n

a1,n a1,n+ 1
1

a2,n a2,n+ 1
0

...
...
...

an,n an,n+ 1
0

a1,2
a2,2

...
...

an,1

...

a1,n a1,n+ 1

a2,n a2,n+ 1
...
...

an,n an,n+ 1

Valores
transformados

72
Etapa 2
Normalizar la fila 2: (colocar 1 en el lugar del elemento a2,2
j=2, 3, ..., n+1; a 2,2 0

a2,j a2,j / a2,2

Reducir las otras filas: (colocar 0 en los otros elementos de la columna 2


ai,j ai,j ai,2 a2,j ,
j=2, 3, ..., n+1; i=1, 3, ..., n

1
0

a1,2
a2,2

...
...

an,1

...

...
0

a1,n a1,n+ 1
1

a2,n a2,n+ 1
0

...
...
...

an,n an,n+1
0

0
1

...
...

...

a1,n a1,n+ 1

a2,n a2,n+ 1
...
...

an,n an,n+1

Valores
transformados

La formulacin obtenida en estas dos etapas se puede generalizar


Para cada columna e=1, 2, , n
Normalizar la fila e
a e,j a e,j / a e,e , j=e, e+1, e+2, ..., n+1 ,

( a e,e 0 )

Reducir las otras filas


ai,j ai,j ai,e a e,j , j=e,e+1,e+2,...,n+1, i=1,2,...,n ; i e
La ltima columna de la matriz transfoirmada contendr la solucin

4.2.2

Algoritmo de Gauss-Jordan bsico


Algoritmo: Gauss-Jordan bsico
Restriccin: No se verifica unicidad y existencia de la solucin
Coeficientes
Entra: ai,j
Constantes
bi
Solucin calculada
Sale: xi
n cantidad de ecuaciones
Para i 1, 2, , n
Matriz aumentada
ai,n+1 bi
Fin
Para e = 1, 2, . . ., n
Para j=e, e+1, ..., n+1
a e,j a e,j / a e,e
Fin
Para i=1, 2, , n; i e
Para j=e, e+1, ..., n+1
ai,j ai,j ai,e a e,j
Fin
Fin
Fin
Para i=1,2,...,n
xi ai,n+ 1
Fin

Normalizar la fila e ( a e,e 0 )

Reducir las otras filas

La ltima columna contendr la solucin

73
4.2.3

Eficiencia del mtodo de Gauss-Jordan

El mtodo de Gauss-Jordan es un mtodo directo. Los mtodos directos pueden estar afectados
por el error de redondeo, es decir los errores en la representacin de los nmeros que se
producen en las operaciones aritmticas. Para cuantificar la magnitud del error de redondeo se
define la funcin de eficiencia del mtodo.
Sea n el tamao del problema y T(n) la cantidad de operaciones aritmticas que se realizan
2
(Dos ciclos anidados)
En la normalizacin:
T(n) = O(n )
3
(Tres ciclos anidados)
En la reduccin:
T(n) = O(n )
3

Por lo tanto, este mtodo es de tercer orden: T(n) = O(n )


Mediante un conteo recorriendo los ciclos del algoritmo, se puede determinar la funcin de
eficiencia para este mtodo directo:
e
1
2
.
.
.
n-1
n

i
n-1
n-1
.
.
.
n-1
n-1

j
n+1
n
.
.
.
3
2
3

T(n) = (n-1)(2 + 3 + n + (n+1)) = (n-1) (3 + n ) (n/2) = n /2 + n + 3n/2

4.2.4

Prctica computacional

Resolver el ejemplo anterior en la ventana de comandos con la notacin matricial de MATLAB


>> a=[4 2 5; 2 5 8; 2 4 3]
a=
4 2 5
2 5 8
2 4 3
>> b=[18.0; 27.3; 16.2]
b=
18.0000
27.3000
16.2000
>> a=[a, b]
a=
4.0000 2.0000 5.0000
2.0000 5.0000 8.0000
2.0000 4.0000 3.0000
>> a(1,1:4)=a(1,1:4)/a(1,1)
a=
1.0000 0.5000 1.2500
2.0000 5.0000 8.0000
2.0000 4.0000 3.0000

Definicin de la matriz

Vector de constantes

Matriz aumentada
18.0000
27.3000
16.2000
Normalizar fila 1
4.5000
27.3000
16.2000

74
>> a(2,1:4)=a(2,1:4)-a(2,1)*a(1,1:4)
a=
1.0000 0.5000 1.2500 4.5000
0 4.0000 5.5000 18.3000
2.0000 4.0000 3.0000 16.2000
>> a(3,1:4)=a(3,1:4)-a(3,1)*a(1,1:4)
a=
1.0000 0.5000 1.2500 4.5000
0 4.0000 5.5000 18.3000
0 3.0000 0.5000 7.2000
>> a(2,2:4)=a(2,2:4)/a(2,2)
a=
1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0 3.0000 0.5000 7.2000
>> a(1,2:4)=a(1,2:4)-a(1,2)*a(2,2:4)
a=
1.0000
0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0 3.0000 0.5000 7.2000
>> a(3,2:4)=a(3,2:4)-a(3,2)*a(2,2:4)
a=
1.0000
0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0
0 -3.6250 -6.5250
>> a(3,3:4)=a(3,3:4)/a(3,3)
a=
1.0000
0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0
0
1.0000 1.8000
>> a(1,3:4)=a(1,3:4)-a(1,3)*a(3,3:4)
a=
1.0000
0
0 1.2000
0 1.0000 1.3750 4.5750
0
0 1.0000 1.8000
>> a(2,3:4)=a(2,3:4)-a(2,3)*a(3,3:4)
a=
1.0000
0
0 1.2000
0 1.0000
0 2.1000
0
0 1.0000 1.8000
>> x=a(1:3,4)
x=
1.2000
2.1000
1.8000
>> a*x
ans =
18.0000
27.3000
16.2000

Reducir fila 2

Reducir fila 3

Normalizar fila 2

Reducir fila 1

Reducir fila 3

Normalizar fila 3

Reducir fila 1

Reducir fila 2

Vector solucin

Verificar la solucin

75
4.2.5

Instrumentacin computacional

En esta primera versin del algoritmo se supondr que el determinante de la matriz es diferente
de cero y que no se requiere intercambiar filas.
La codificacin en MATLAB sigue la formulacin matemtica descrita. Se usa la notacin
abreviada para manejo de matrices
function x=gaussjordan(a,b)
n=length(b);
a=[a,b];
for e=1:n
a(e,e:n+1)=a(e,e:n+1)/a(e,e);
for i=1:n
if i~=e
a(i,e:n+1)=a(i,e:n+1)-a(i,e)*a(e,e:n+1);
end
end
end
x=a(1:n,n+1);
Ejemplo. Desde la
resolver el sistema:
2 3
2 5

8 9

%matriz aumentada
%normalizar fila e

%reducir otras filas

%vector solucin

ventana de comandos de MATLAB, use la funcin Gauss-Jordan para


7 x1 3

6 x 2 =
5
4 x 3 8

Escriba en la ventana de comandos de MATLAB


>> a=[2, 3, 7; -2, 5, 6; 8, 9, 4];
>> b=[3; 5; 8];
>> x=gaussjordan(a,b)
x=
-0.0556
0.9150
0.0523
>> a*x
ans =
3.0000
5.0000
8.0000

Matriz de coeficientes
Vector de constantes
Llamada a la funcin
Solucin proporcionada por MATLAB

Verificar la solucin
La solucin satisface al sistema

Cuando se tiene nicamente la instrumentacin computacional de un algoritmo, se puede


obtener experimentalmente su eficiencia registrando, para diferentes valores de n, el tiempo de
ejecucin del algoritmo. Este tiempo depende de la velocidad del procesador del dispositivo
computacional, pero es proporcional a T(n).
MATLAB dispone de las funciones tic, toc para registrar el tiempo de ejecucin. Para las
pruebas se pueden generar matrices y vectores con nmeros aleatorios. Se presentan algunos
resultados obtenidos con un procesador intel core i5 y la versin 7.01 de MATLAB:
n=100, t=0.0781 seg.
n=200, t=0.3859 seg.
n=300, t=1.0336 seg.
n=400, t=2.0758 seg.
Se observa que T(n) tiene crecimiento tipo polinmico.

76
4.2.6

Obtencin de la inversa de una matriz

Para encontrar la matriz inversa se puede usar el mtodo de Gauss-Jordan.


Sea A una matriz cuadrada cuyo determinante es diferente de cero.
Sean t 1 ,t 2 , . . . ,t m1 ,t m las transformaciones lineales del mtodo de Gauss-Jordan que
transforman la matriz A en la matriz identidad I incluyendo intercambios de filas

t m t m-1 . . . t 2 t1 A

=I

Entonces se puede escribir

t m t m-1 . . . t 2 t1 A 1 A = A 1 I

t m t m-1 . . . t 2 t1 I = A 1

Lo cual significa que las mismas transformaciones que convierten A en la matriz I, convertirn
la matriz

I en la matriz A 1 .
1

Para aplicar este algoritmo, suponiendo que se desea conocer la matriz A , se debe aumentar
la matriz anterior con la matriz I: A | B | I
Las transformaciones aplicadas simultneamente proporcionarn finalmente el vector solucin X
y la matriz identidad

A 1

Ejemplo. Con el Mtodo de Gauss-Jordan resuelva el sistema de ecuaciones siguiente y


simultneamente obtenga la matriz inversa:

4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
Solucin. La matriz aumentada es:
4 2 5
A | B = 2 5 8
2 4 3

18.00
27.30
16.20

1 0 0
0 1 1
0 0 1

Clculos
Normalizar fila 1 y reducir filas 2 y 3
1.0000 0.5000 1.2500
0
4.0000 5.5000
0
3.0000 0.5000

4.5000
18.3000
7.2000

0.2500
-0.5000
-0.5000

0
0
1.0000
0
0
1.0000

77
Normalizar fila 2 y reducir filas 1 y 3
1.0000
0
0.5625
0
1.0000 1.3750
0
0
-3.6250

2.2125
4.5750
-6.5250

0.3125 -0.1250
0
-0.1250 0.2500
0
-0.1250 -0.7500 1.0000

Normalizar fila 3 y reducir filas 1 y 2


1.0000
0
0
0
1.0000
0
0
0
1.0000

1.2000
2.1000
1.8000

0.2931 -0.2414 0.1552


-0.1724 -0.0345 0.3793
0.0345 0.2069 -0.2759

Solucin del sistema


1.2
X = 2.1
1.8
Matriz inversa

0.2931 0.2414 0.1552


0.1724 0.0345 0.3793
A 1 =

0.0345
0.2069 0.2759

4.3

Mtodo de Gauss

El mtodo de Gauss es similar al mtodo de Gauss-Jordan. Aqu se trata de transformar la


matriz del sistema a una forma triangular superior. Si esto es posible entonces la solucin se
puede obtener resolviendo el sistema triangular resultante.
Ejemplo. Con el Mtodo de Gauss resuelva el sistema de ecuaciones lineales del problema
planteado al inicio de este captulo

4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
Solucin: Se define la matriz aumentada A | B para transformar simultneamente A y B:

4 2 5 18.00
A | B = 2 5 8 27.30
2 4 3 16.20
Las transformaciones sucesivas de la matriz aumentada se describen en los siguientes cuadros
Dividir fila 1 para 4
1.0000
2.0000
2.0000

0.5000 1.2500 4.5000


5.0000 8.0000 27.3000
4.0000 3.0000 16.2000

78
Restar de cada fila, la fila 1 multiplicada por el elemento de la columna 1
1.0000
0
0

0.5000 1.2500 4.5000


4.0000 5.5000 18.3000
3.0000 0.5000 7.2000

Dividir fila 2 para 4


1.0000 0.5000
0
1.0000
0
3.0000

1.2500
1.3750
0.5000

4.5000
4.5750
7.2000

Restar de la fila, la fila 2 multiplicada por el elemento de la columna 2


1.0000 0.5000 1.2500
0
1.0000 1.3750
0
0
-3.6250

4.5000
4.5750
-6.5250

Dividir fila 3 para -3.625


1.0000 0.5000
0
1.0000
0
0

1.2500
1.3750
1.0000

4.5000
4.5750
1.8000

La matriz de los coeficientes ha sido transformada a la forma triangular superior


De este sistema se obtiene la solucin mediante una sustitucin directa comenzando por el final:

x 3 = 1.8
x2 =
4.575 1.375(1.8) =
2.1
x1 =
4.5 0.5(2.1) 1.25(1.8) =
1.2

4.3.1

Formulacin del mtodo de Gauss

Para unificar la descripcin algortmica, es conveniente aumentar la matriz A con el vector B


pues deben realizarse las mismas operaciones simultneamente:
a1,1 a1,2
... a1,n a1,n+ 1

a
a
... a2,n a2,n+ 1
2,1
2,2

A |B =
...
...
...

an,1 an,1 ... an,n an,n+ 1


En donde la columna de los coeficientes se define:
ai,n+ 1 = bi , i=1, 2, 3,. . ., n

La formulacin se obtiene directamente del mtodo de Gauss-Jordan, pero la reduccin de las


filas nicamente se realiza en la sub-matriz triangular inferior.

79
Para cada columna e = 1, 2, , n
Normalizar la fila e
a e,j a e,j / a e,e , j=e, e+1, e+2, ..., n+1 ,

( a e,e 0 )

Reducir las filas debajo de la diagonal


ai,j ai,j ai,e a e,j , j=e,e+1,e+2,...,n+1, i=e+1,e+2,e+2,...,n
Las transformaciones convierten la matriz aumentada en la forma triangular superior:

a1,1

a2,1
=
A |B
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,n a1,n+ 1

a2,n a2,n+ 1
. . . .
...
...

an,n an,n+ 1

1
0
...
0

a1,2
1

...
...

...

De sistema triangular se puede obtener directamente la solucin.


expandimos la forma triangular final obtenida:

1 a1,2

1
0
... ...

0
0
0
0

0
0

... a1,n 2

a1,n1

a1,n

... a2,n 2

a2,n1

a2,n

...

...

...
...

an 2,n1 an 2,n

...

an1,n

...

a1,n a1,n+ 1

a2,n a2,n+ 1
...
...

1 an,n+ 1
Para facilitar la notacin

a1,n+ 1
a2,n+ 1
...

an 2,n+ 1
an1,n+ 1

an,n+ 1

La solucin se obtiene comenzando desde el final:


xn an, n+ 1
xn1 an1, n+ 1 an1, n xn
xn 2 an 2, n+ 1 (an 2, n1xn1 an 2, n xn )

. . . etc
Con la formulacin anterior se define el algoritmo para el mtodo de Gauss bsico:
4.3.2 Algoritmo de Gauss bsico
Algoritmo: Gauss bsico
Restriccin: No se verifica unicidad y existencia de la solucin
Coeficientes
Entra: ai,j
Constantes
bi
Solucin calculada
Sale: xi
n Cantidad de ecuaciones
Para i 1, 2, , n
Matriz aumentada
ai,n+1 bi
Fin
Para e = 1, 2, . . ., n
Para j=e, e+1, ..., n+1
a e,j a e,j / a e,e
Fin
Para i=e + 1, e + 2, n
Para j=e+1,e+2,..., n+1
ai,j ai,j ai,e a e,j
Fin

Normalizar la fila e ( a e,e 0 )

Reducir las filas debajo de la diagonal

80
Fin
Fin
xn an, n+ 1
Para i=n-1, n-2, ..., 1
s0
Para j=i+1, i+2, ..., n
s s + ai,j x j

Resolver el sistema triangular superior

Fin
xi ai,n+ 1 s
Fin
4.3.3

Eficiencia del mtodo de Gauss

Sea n el tamao del problema y T(n) la cantidad de operaciones aritmticas que se realizan
2
(dos ciclos anidados)
En la normalizacin:
T(n) = O(n )
3
(tres ciclos anidados)
En la reduccin:
T(n) = O(n )
2
(dos ciclos anidados)
En la obtencin de la solucin: T(n) = O(n )
3

Por lo tanto, este mtodo es de tercer orden: T(n) = O(n )


Mediante un recorrido de los ciclos del algoritmo, se puede determinar en forma ms precisa:
3
2
T(n) = n /3 + O(n ) con lo que se puede concluir que el mtodo de Gauss es ms eficiente que
el mtodo de Gauss-Jordan para n grande. Esta diferencia se la puede constatar
experimentalmente resolviendo sistemas grandes y registrando el tiempo de ejecucin.
El recorrido de los ciclos se lo puede hacer tambin computacionalmente. Se obtienen algunos
puntos de T(n) y con estos resultados se construye la funcin T(n) con un mtodo de
interpolacin. Por la estructura del algoritmo, debe ser un polinomio cbico.
Ejemplo. Una funcin en MATLAB para conteo de los ciclos del mtodo de Gauss
function c=conteogauss(v)
c=[ ];
for k=1:length(v)
n=v(k);
t=0;
for e=1:n
for i=e+1:n
for j=e:n+1;
t=t+1;
%Conteo de los ciclos en la seccin crtica
end
end
end
c=[c, t];
end
Los resultados obtenidos:
>> v = [10, 20, 30, 40];
>> c = conteogauss(v)
c = 375 2850 9425 22100
3

Con estos puntos se construye la funcin T(n) = n^3/3 + n^2/2 - (5*n)/6 = O(n )
El polinomio obtenido es exacto. Si se usaran ms puntos, el resultado sera igual

81
4.3.4

Instrumentacin computacional

En esta primera versin del algoritmo se supondr que el determinante de la matriz es diferente
de cero y que no se requiere intercambiar filas. La codificacin en MATLAB sigue directamente
la formulacin matemtica descrita anteriormente. Se usa notacin compacta para manejo de
matrices.
function x=gaussbasico(a,b)
n=length(b);
a=[a,b];
for e=1:n
a(e,e:n+1)=a(e,e:n+1)/a(e,e);
for i=e+1:n
a(i,e:n+1)=a(i,e:n+1)-a(i,e)*a(e,e:n+1);
end
end
x(n,1)=a(n,n+1);
for i=n-1:-1:1
x(i,1)=a(i,n+1)-a(i,i+1:n)*x(i+1:n,1);
end

%Matriz aumentada
%Normalizar la fila e
%Reducir otras filas

%Solucin del sistema triangular

82
4.3.5

Estrategia de pivoteo

Al examinar la eficiencia de los mtodos directos para resolver sistemas de ecuaciones lineales
se observa que la operacin de multiplicacin est en la seccin crtica del algoritmo con
3
eficiencia O(n ).
Formulacin del mtodo de Gauss:
Etapa e = 1, 2, . . ., n
Normalizar la fila e:

a e, j a e, j / a e, e ,

j=e, e+1, ..., n+1;

a e, e 0

j=e, e+1, ..., n+1;

i=e+1, e+2, ..., n

Reducir las otras filas:

a i, j a i, j a i, e a e, j ,
Etapa e:

Columna e
Transformaciones

Fila e

Tansformaciones

1 a1,2
0
1

... ...

0
0
... ...

0
0
0
0

... a1,e
... a2,e
...
...
... a e,e
...
...
... an1,e
... an,e

... a1,n
... a2,n
...
...
... a e,n
...
...
... an1,n
... an,n

a1,n+ 1
a2,n+ 1
...

a e,n+ 1
...

an1,n+ 1
an,n+ 1

Recordando la definicin del error de redondeo propagado en la multiplicacin:


EXY = X EY + Y EX
Una estrategia para disminuir el error de redondeo consiste en reducir el valor de los operandos
que intervienen en la multiplicacin.
En la estrategia de Pivoteo Parcial, antes de normalizar la fila e se busca en la columna e de
cada fila i = e, e+1, . . ., n cual es el elemento con mayor magnitud. Si se usa este elemento
como divisor para la fila e, el cociente a e,j tendr el menor valor. Este factor permite disminuir el
error cuando se realiza la etapa de reduccin de las otras filas.
Por otra parte, si en esta estrategia de bsqueda, el valor elegido como el mayor divisor no es
diferente de cero, se concluye que en el sistema existen ecuaciones redundantes o
incompatibles, entonces el sistema no tiene solucin nica y el algoritmo debe terminar

83
4.3.6 Algoritmo de Gauss con pivoteo
Algoritmo: Gauss bsico con pivoteo parcial
Coeficientes
Entra: ai,j
Constantes
bi
Solucin calculada o un vector nulo si la solucin no es nica
Sale: xi
n cantidad de ecuaciones
Para i 1, 2, , n
Matriz aumentada
ai,n+1 bi
Fin
Para e = 1, 2, . . ., n
pe
Para i = e+1,e+2, ..., n
Si |ai,e| > |ae,p|
pi
Fin
Fin
Intercambiar las filas e y p
Si ae,e = 0
X nulo
Terminar
Fin
Para j=e, e+1, ..., n+1
a e,j a e,j / a e,e
Fin
Para i=e + 1, e + 2, n
Para j=e, e+1, ..., n+1
ai,j ai,j ai,e a e,j
Fin
Fin
Fin
xn an, n+ 1
Para i=n-1, n-2, ..., 1
s0
Para j=i+1, i+2, ..., n
s s + ai,j x j
Fin
xi ai,n+ 1 s
Fin

Buscar el pivote entre las filas e hasta n

La solucin no existe o no es nica

Normalizar la fila e ( a e,e 0 )

Reducir las filas debajo

Resolver el sistema triangular superior

84
4.3.7

Instrumentacin computacional del mtodo de Gauss con pivoteo

La siguiente instrumentacin en MATLAB del mtodo de eliminacin de Gauss incluye la


formulacin descrita y la estrategia de pivoteo parcial vista anteriormente, en notacin matricial
compacta de MATLAB. En esta instrumentacin final se incluye un chequeo del divisor para
prevenir el caso de que el sistema sea singular aunque, por los errores de redondeo, no sea
exactamente igual a cero. Tambin se verifica que sea una matriz cuadrada.

function x=gauss(a,b)
n=length(b);
a=[a,b];
for e=1:n
[z, p]=max(abs(a(e:n,e)));
p=p+e-1;
t=a(e,e:n+1);
a(e,e:n+1)=a(p,e:n+1);
a(p,e:n+1)=t;
if abs(a(e,e))<1.0e-10
x=[ ];
return;
end
a(e,e:n+1)=a(e,e:n+1)/a(e,e);
for i=e+1:n
a(i,e:n+1)=a(i,e:n+1)-a(i,e)*a(e,e:n+1);
end
end
x(n,1)=a(n,n+1);
for i=n-1:-1:1
x(i,1)=a(i,n+1)-a(i,i+1:n)*x(i+1:n,1);
end

%Matriz aumentada
%Pivoteo por filas
%Intercambio de filas

%Si el divisor es cercano a cero


%no hay solucin

%Normalizar la fila e
%Reducir otras filas

%Solucin del sistema triangular

La funcin [z,p]=max(v) de MATLAB entrega en z el mayor valor, y en p el nmero de la fila en


la que est ubicado este valor en el vector v

Ejemplo. Desde
sistema:
2
2

la ventana de comandos de MATLAB, use la funcin Gauss para resolver el

3 7 x1 3

5 6 x 2 =
5
9 4 x 3 8

Escriba en la ventana de comandos de MATLAB


>> a=[2, 3, 7; -2, 5, 6; 8, 9, 4];
>> b=[3; 5; 8];
>> x=gauss(a,b)
x=
-0.0556
0.9150
0.0523

Matriz de coeficientes
Vector de constantes
Llamada a la funcin
Solucin calculada

85
4.3.8

Funciones de MATLAB para sistemas de ecuaciones lineales

MATLAB tiene un soporte muy potente para resolver sistemas de ecuaciones lineales.
Sugerimos entrar al sistema de ayuda de MATLAB y revisar la amplia informacin relacionada
con este tema.
La forma ms simple de resolver un sistema lineal, si la matriz de coeficientes es cuadrada y nosingular, es usando la definicin de inversa de una matriz MATLAB.
Ejemplo. Resuelva el ejemplo anterior con la funcin inv de MATLAB
>> a=[2, 3, 7; -2, 5, 6; 8, 9, 4];
>> b=[3; 5; 8];
>> x=inv(a)*b
x=
-0.0556
0.9150
0.0523

Matriz de coeficientes
Vector de constantes
Invertir la matriz de coeficientes
Solucin calculada por MATLAB

Una forma ms general para resolver sistemas lineales, incluyendo sistemas singulares se
puede hacer con la funcin rref de MATLAB. Esta funcin reduce una matriz a su forma
escalonada con 1s en la diagonal.
Ejemplo. Resuelva el ejemplo anterior con la funcin rref de MATLAB
>> a=[2 3 7;-2 5 6;8 9 4];
>> b=[3;5;8];
>> a=[a, b];
>> c=rref(a)
c=
1.0000
0
0 -0.0556
0 1.0000
0 0.9150
0
0 1.0000 0.0523

Matriz aumentada

La ltima columna de la matriz aumentada resultante contiene la solucin.


4.3.9

Clculo del determinante de una matriz

El algoritmo de Gauss transforma la matriz cuadrada de los coeficientes a la forma triangular


superior. En una matriz triangular, el determinante es el producto de los coeficientes de la
diagonal principal. Por lo tanto, el determinante se puede calcular multiplicando los divisores
colocados en la diagonal principal, considerando adems el nmero de cambios de fila que se
hayan realizado en la estrategia de pivoteo.
Sean
A:
matriz cuadrada
T:
Matriz triangular superior obtenida con el algoritmo de Gauss, sin normalizar
Elementos en la diagonal de la matriz T. Son los divisores
ai,i :
k:
Nmero de cambios de fila realizados
det(A): Determinante de la matriz A
Entonces
n

det(A) = (1)k ai,i


i=1

86
4.3.10 Instrumentacin computacional para calcular el determinante
function d=determinante(a)
%Determinante de una matriz cuadrada
%Mediante reduccin a una matriz triangular
%El determinante es el producto de los pivotes
[n,m]=size(a);
if n~=m
%La matriz debe ser cuadrada
d=0;
return
end
signo=1;
%cambios de fila
d=1;
for e=1:n
[z, p]=max(abs(a(e:n,e)));
%Pivoteo por filas
p=p+e-1;
t=a(e,e:n);
%Intercambio de filas
a(e,e:n)=a(p,e:n);
a(p,e:n)=t;
if e~=p
%Cambio de fila = cambio de signo
signo=signo*(-1);
end
if abs(a(e,e))<1.0e-10
%Divisor cercano a 0: matriz singular
d=0;
return;
end
d=d*a(e,e);
%Multiplicacin de pivotes
a(e,e:n)=a(e,e:n)/a(e,e);
%Normalizar la fila e
for i=e+1:n
%Reducir otras filas
a(i,e:n)=a(i,e:n)-a(i,e)*a(e,e:n);
end
end
d=d*signo;
%Determinante

Ejemplo
>> a=[5 3 7; 2 9 8; 5 8 2]
a=
5 3 7
2 9 8
5 8 2
>> d=determinante(a)
d=
-325

87
4.4

Sistemas mal condicionados

Al resolver un sistema de ecuaciones lineales usando un mtodo directo, es necesario analizar si


el resultado calculado es confiable. En esta seccin se estudia el caso especial de sistemas que
son muy sensibles a los errores en los datos o en los clculos y que al resolverlos producen
resultados con mucha variabilidad.
Para describir estos sistemas se considera el siguiente ejemplo:
Ejemplo. Un comerciante compra cuatro productos: A, B, C, D pero en las facturas nicamente
consta la cantidad comprada en Kg. y el valor total de la compra en dlares. Se necesita
determinar el precio unitario de cada producto. Para esto dispone de cuatro facturas con los
siguientes datos:
Factura Kg. de A Kg. de B Kg. de C Kg. de D
1
2.6
0.3
2.4
6.2
2
7.7
0.4
4.7
1.4
3
5.1
9.9
9.5
1.5
4
6.0
7.0
8.5
4.8

Valor pagado
50.78
47.36
91.48
98.17

Sean x1,x 2 ,x 3 ,x 4 variables que representan al precio unitario ($/kg) de cada producto.
Entonces, se puede escribir:
2.6x1 + 0.3x 2 + 2.4x 3 + 6.2x 4 =
50.78
7.7x1 + 0.4x 2 + 4.7x 3 + 1.4x 4 =
47.36
5.1x1 + 9.9x 2 + 9.5x 3 + 1.5x 4 =
91.48
6.0x1 + 7.0x 2 + 8.5x 3 + 4.8x 4 =
98.17

En notacin matricial
2.6 0.3 2.4 6.2 x1 50.78
7.7 0.4 4.7 1.4 x 47.36

2 =

5.1 9.9 9.5 1.5 x 3 91.48

6.0 7.0 8.5 4.8 x 4 98.17


Si se resuelve este sistema con un mtodo directo se obtiene:

X = [2.5, 3.2, 4.1, 5.4]T


Supondremos ahora que el digitador se equivoc al ingresar los datos en la matriz y registr 6.0
en lugar del valor correcto 6.1, de tal manera que el sistema correcto es:
2.6
7.7

5.1

6.1

0.3 2.4 6.2 x1 50.78


0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

Si se resuelve este sistema con un mtodo directo se obtiene:

X = [0.1494, 0.4182, 8.3432, 4.8778]T


Un cambio menor en un coeficiente produjo un cambio muy significativo en la solucin. El
resultado fue afectado fuertemente por este error. Esto es un indicio de que el sistema es de un
tipo especial denominado mal condicionado.

88
En la siguiente prueba, se modific el ltimo coeficiente 4.8 y se lo sustituy por 4.7
0.3 2.4 6.2 x1 50.78
0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.7 x 4 98.17

2.6
7.7

5.1

6.0

Si se resuelve este sistema nuevamente con un mtodo directo se obtiene una solucin
totalmente incoherente:

X=
[ 31.5482, 37.0942, 65.5637, 2.1644]T
Los resultados obtenidos con este tipo de sistemas no son confiables para tomar decisiones.
Esta situacin se origina en el hecho de que algunas ecuaciones pueden depender de otras
ecuaciones lo cual puede afectar a la incertidumbre en la solucin calculada cuando s modifican
algunos coeficientes. Este hecho se puede asociar al valor del determinante de la matriz. En el
ejemplo, si la matriz se normaliza dividindola para la magnitud del mayor elemento, el
determinante es:

= .

Si el determinante fuera cero, no habra una solucin nica, pero este valor muy pequeo es un
indicio que las ecuaciones son casi linealmente dependientes.
Es necesario detectar si un sistema es mal condicionado. Para esto, se debe cambiar
ligeramente el valor de algn coeficiente y observar el cambio en el vector solucin. Si la
solucin cambia significativamente, entonces es un sistema mal condicionado y debe revisarse la
elaboracin del modelo matemtico.
En esta seccin se establece una medida para cuantificar el nivel de mal condicionamiento de un
sistema de ecuaciones lineales.
4.4.1

Definiciones

La norma de un vector o de una matriz es una manera de expresar la magnitud de sus


componentes
Sean X: vector de n componentes
A: matriz de nxn componentes
Algunas definiciones comunes para la norma:

X =

x
i=1

=
X max
=
xi ,i 1,2,...,n
n

X = ( x 2 )1/ 2
i=1

=
A max
=
ai,j , j 1,2,...,n
i=1
n

=
A max
=
ai,j ,i 1,2,...,n
j=1

A = (

=i 1=j 1

2 1/ 2
i,j

Las dos primeras se denominan norma 1 y norma infinito, tanto para vectores como
para matrices. La tercera es la norma euclideana.

89
Ejemplo. Dada la siguiente matriz
2
5 3

=
A 4
8 4
2
6
1
Calcule la norma infinito (norma de fila).
Esta norma es el mayor valor de la suma de las magnitudes de los componentes de cada fila
Fila 1: |5| + |-3| + |2| = 10
Fila 2: |4| + |8| + |-4| = 16
Fila 3: |2| + |6| + |1| = 9
Por lo tanto, la norma por fila de la matriz es 16

4.4.2

Algunas propiedades de normas

Sea A: matriz de nxn componentes. (Tambin se aplican a vectores)


a) A 0
b) kA =|k| A , k
c) A + B A + B
d) AB A B
-1

-1

e) ||(kA) || = ||1/k A ||, k

4.4.3

Nmero de condicin

El nmero de condicin de una matriz se usa para cuantificar su nivel de mal condicionamiento.
Definicin: Nmero de condicin
Sea AX = B un sistema de ecuaciones lineales, entonces
-1
cond(A) = || A || || A || es el nmero de condicin de la matriz A.

Cota para el nmero de condicin:


cond(A) = || A || || A || || A A || = || I || = 1 cond(A) 1
-1

-1

El nmero de condicin no cambia si la matriz es multiplicada por alguna constante:


-1

-1

-1

-1

cond(kA)=||kA|| ||(kA) || = k ||A|| ||1/k A || = k ||A|| 1/k ||A || = ||A|| ||A ||

Ejemplo.

0.010 0.005
10 5
A=
=
=
; B 1000A

0.025 0.032
25 32
Determinante
Norma1 de la matriz
Norma1 de la inversa
Nmero de condicin

A
0.000195
0.0370
292.3077
10.8154

B
195
37
0.2923
10.8154

90

Si la matriz tiene filas casi linealmente dependientes, su determinante tomar un valor muy
pequeo y su inversa tendr valores muy grandes, siendo esto un indicio de que la matriz es mal
condicionada o es casi singular. Este valor interviene en el nmero de condicin de la matriz.
Por otra parte, si la matriz tiene valores muy pequeos, su determinante ser muy pequeo y su
inversa contendr valores grandes aunque la matriz no sea mal condicionada.
Si el nmero de condicin solo dependiera de la norma de la matriz inversa, esta norma tendra
un valor grande en ambos casos. Por esto, y usando la propiedad anotada anteriormente, es
necesario multiplicar la norma de la matriz inversa por la norma de la matriz original para que el
nmero de condicin sea grande nicamente si la matriz es mal condicionada.

Ejemplo. Calcule el nmero de condicin de la matriz del ejemplo inicial


2.6
7.7
A=
5.1

6.0

A 1

0.3 2.4 6.2


0.4 4.7 1.4
9.9 9.5 1.5

7.0 8.5 4.8

91.1455 20.3769 107.6454 157.3120


107.8389 24.3503 127.2826 186.1699

=
164.4788
37.0436
194.3121 283.9787

34.9495
4.6161
23.9171
20.0676
-1

cond(A) = || A || || A || = 17879.09
Es un valor muy alto, respecto al valor mnimo que es 1
Una matriz puede considerarse mal condicionada si una ligera perturbacin, error o cambio, en la
matriz de coeficientes produce un cambio muy significativo en el vector solucin.

91
4.4.4

El nmero de condicin y el error de redondeo

Dado un sistema de ecuaciones lineales AX = B cuya solucin existe y es X


Suponer que debido a errores de medicin, la matriz A de los coeficientes tiene un error E.
Sea A= A + E , la matriz con los errores de medicin. Suponer que el vector B es exacto
Entonces, al resolver el sistema con la matriz A se tendr una solucin X diferente a la
solucin X del sistema con la matriz A. Esta solucin X satisface al sistema: A X = B
Es importante determinar la magnitud de la diferencia entre ambas soluciones: X X
Sustituyendo A X = B en el sistema original AX = B:
X = A 1B
= A 1 ( AX )
1
= A (A + E)X

= A 1A X + A 1EX
= I X + A 1EX
= X + A 1EX

X X A 1 E X

X X = A 1EX

X X A 1 A

E
X
A

De donde se puede escribir, sustituyendo E y el nmero de condicin de A:


Definicin: Cota para el error relativo de la solucin

|| X X ||
|| X ||

cond(A)

|| A A ||
|| A ||

eX cond(A) (eA)

Cota para el error relativo de la solucin

X es el vector solucin calculado con la matriz inicial A


X es el vector solucin calculado con la matriz modificada A
E = A A es la matriz con la variacin de los datos de la matriz.

eX es el error relativo de la solucin


eA es el error relativo de la matriz
La expresin establece que la magnitud del error relativo de la solucin est relacionada con el
error relativo de la matriz del sistema, ponderada por el nmero de condicin. El nmero de
condicin es un factor que amplifica el error en la matriz A aumentando la dispersin y la
incertidumbre de la solucin calculada X

Ejemplo. Encuentre una cota para el error en la solucin del ejemplo inicial

Matriz original

2.6
7.7
A=
5.1

6.0

0.3 2.4 6.2


0.4 4.7 1.4
9.9 9.5 1.5

7.0 8.5 4.8

92

Matriz modificada

2.6
7.7
A=
5.1

6.1

Error en la matriz:

0
0
EA = A - A =
0

0.1

0.3 2.4 6.2


0.4 4.7 1.4
9.9 9.5 1.5

7.0 8.5 4.8


0 0 0
0 0 0
0 0 0

0 0 0

Norma del error relativo de la matriz:


eA =

|| E A ||
0.1
=
= 0.0038 = 0.38%
26.3
|| A ||

Nmero de condicin:
cond(A) = 17879.09
Cota para el error relativo de la solucin:

e X cond(A) (e A ) = 17879.09 (0.0038) = 67.94 = 6794%


Indica que la magnitud del error relativo de la solucin puede variar hasta en 6794%, por lo tanto
no se puede confiar en ninguno de los dgitos de la respuesta calculada.
Ejemplo. Encuentre el error relativo de la solucin en el ejemplo inicial y compare con el error
relativo de la matriz de los coeficientes.

Sistema original:

2.6
7.7

5.1

6.0

0.3 2.4 6.2 x1 50.78


0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

2.5
3.2

Solucin: X =
4.1

5.4

Sistema modificado:

2.6
7.7

5.1

6.1

0.3 2.4 6.2 x1 50.78


0.4 4.7 1.4 x 2 47.36
=
9.9 9.5 1.5 x 3 91.48

7.0 8.5 4.8 x 4 98.17

0.1494
0.4182
_

Solucin: X =
8.3432

4.8778

Error en la solucin:

0.1494
0.4182
EX = X - X =
8.3432

4.8778

2.5 -2.3506
3.2

= -2.7818
4.1 4.2432


5.4 -0.5222

Norma del error relativo de la solucin:


eX =

|| E X ||
|| X ||

4.2432
= 0.5086 = 50.86%
8.3432

93
Norma del error relativo de la matriz:
eA =

|| E A ||
0.1
=
= 0.0038 = 0.38%
26.3
|| A ||

La variacin en el vector solucin es muy superior a la variacin de la matriz de coeficientes. Se


concluye que es un sistema mal condicionado.
Ejemplo.- Una empresa compra tres materiales A, B, C en cantidades en kg. como se indica en
el cuadro. Se dispone de dos facturas en las que consta el total pagado en dlares. Se
desconoce el total pagado en la segunda factura:
Factura
1
2

A
2
3

B
5
9

C
4
8

Total
35
k

17

Sean x1,x 2 ,x 3 variables que representan al precio unitario de cada producto. Entonces, se
puede escribir:

2x1 + 5x 2 + 4x 3 =
35
3x1 + 9x 2 + 8x 3 =
k
2x1 + 3x 2 + x 3 =
17
Con el mtodo de Gauss-Jordan encuentre la solucin en funcin de k

2 5 4 35

=
A | B 3 9 =
8 k
2 3 1 17
457 7k
X 6k 387
=
264 4k

35 / 2
1 5 / 2 2
0 3 / 2 2 k 105
=
/ 2

18
0 2 3

1 0 4 / 3 105 5k / 3
0 1 4 / 3 2k / 3=
35

0 0 1/ 3 4k / 3 88

1 0 0 457 7k
0 1 0 6k 387

0 0 1 264 4k

Suponga que el valor pagado en la segunda factura es 65 dlares. Entonces la solucin exacta

2
X = 3
4
Para verificar que la solucin es confiable, en la matriz de coeficientes se sustituye 5 por 5.1 y
Se obtiene nuevamente la solucin con el mtodo anterior con k=65.

94

2 51/ 10 4 35 1 51/ 20 2 35 / 2
=
A | B 3
9 =
8 65 0 27 / 20 2=
25 / 2
2
3
1 17 0 21/ 10 3 18
17
X = 10
13

1 0 16 / 9 55 / 9 1 0 0 17
0 1 40 / 27 =
250 / 27 0 1 0 10

0 0
1/ 9
13 / 9 0 0 1 13

El error de 0.1 en un coeficiente, distorsion completamente la solucin, por lo tanto la solucin


no es confiable.
Error relativo de la solucin y error relativo de la matriz

=
ex

X X
= 3.75
= 375%,
X

=
eA

A A
= 0.005
= 0.5%
A

0.5% de distorsin en la matriz produjo una distorsin de 375% en la solucin. Estos resultados
confirman que el sistema es muy sensible a cambios o errores en los datos. Los errores son
amplificados al calcular la solucin. Se concluye que es un sistema mal condicionado.

4.4.5

Funciones de MATLAB para normas y nmero de condicin

Clculo de normas de vectores y matrices en MATLAB


Sea a un vector o una matriz
norm(a, 1)
norm(a, inf)
cond(a, 1)
cond(a, inf)

para obtener la norma 1 (norma de columna)


para obtener la norma infinito (norma de fila)
nmero de condicin con la norma 1
nmero de condicin con la norma infinito

4 5
Ejemplo. Calcule el nmero de condicin de la matriz A =

4.1 5
Escribimos en la pantalla de comandos de MATLAB:
>> a=[4, 5; 4.1, 5];
>> norm(a,inf)
ans =
9.5
>> inv(a)
ans =
-10.0000 10.0000
8.2000 -8.0000
>> cond(a,inf)
ans =
182.0000

(Matriz)
(Norma de fila

(Matriz inversa)

(Nmero de condicin)
(Matriz mal condicionada)

95
4.5

Sistemas singulares

En esta seccin se describe un mtodo directo para intentar resolver un sistema lineal propuesto
de n ecuaciones con m variables, n<m. Estos sistemas tambin se obtienen como resultado de
la reduccin de un sistema dado originalmente con m ecuaciones y m variables, en los que
algunas ecuaciones no son independientes. En ambos casos la matriz de coeficientes contendr
una o ms filas nulas y por lo tanto no tienen inversa y se dice que la matriz es singular, en
este caso tambin diremos que el sistema es singular. Estos sistemas no admiten una solucin
nica.
Sin embargo, si el sistema es un modelo que representa algn problema de inters, es
importante detectar si el sistema es incompatible para el cual no existe solucin, o se trata de un
sistema incompleto para el cual existe infinidad de soluciones. Ms an, es til reducirlo a una
forma en la cual se facilite determinar las variables libres, a las que se pueden asignar valores
arbitrarios analizar las soluciones resultantes en trminos de stas variables y su relacin con el
problema.
Para facilitar el anlisis de estos sistemas, es conveniente convertirlo en una forma ms simple.
La estrategia que usaremos es llevarlo a la forma de la matriz identidad hasta donde sea posible
4.5.1 Formulacin matemtica y algoritmo
Se desea resolver el sistema de n ecuaciones lineales con m variables, siendo nm
a1,1x1 + a1,2 x1 + ... + a1,m x m =
b1
a2,1x1 + a2,2 x1 + ... + a2,m x m =
b2
...
an,1x1 + an,2 x1 + ... + an,m x m =
bn

En donde

ai,j : Coeficientes
bi : Constantes
xi : Variables cuyo valor debe determinarse
En notacin matricial:
a1,1
a
2,1
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,m x1 b1
a2,m x 2 b2
=
... ... ...

an,m x m bn

Simblicamente: AX = B, en donde
a1,1
a
2,1
=
A
...

an,1

a1,2
a2,2

...
...

an,1

...

a1,m
a2,m
=
; B
...

an,m

b1
b
2
=
; X
...

bn

x1
x
2
...

xm

96
Para unificar la descripcin algortmica, es conveniente aumentar la matriz A con el vector B
pues en ambos deben realizarse simultneamente las mismas operaciones:
a1,1 a1,2
a
2,1 a 2,2
A |B =
...
...

an,1 an,2

... a1,m
... a2,m
...

...

... an,m

a1,m+ 1
a2,m+ 1
...

an,m+ 1

Siendo ai,m+1 = bi, i = 1, 2, 3, ..., n


El procedimiento consiste en transformar la matriz aumentada, de manera similar al mtodo de
Gauss-Jordan. El objetivo es reducir la matriz aumentada a una forma escalonada con 1s en la
diagonal mediante intercambios de filas, hasta donde sea posible hacerlo.
Si n<m la matriz transformada finalmente tendr la siguiente forma
a1,1 a1,2
a
2,1 a 2,2
A |B =
...
...

an,1 an,2

... a1,m
... a2,m
...

...

... an,m

1 0 ... 0 a1,n+ 1 ... a1,m a1,m+ 1


a1,m+ 1

0 1 ... 0 a2,n+ 1 ... a2,m a2,m+ 1


a2,m+ 1

...
... ... ... ... ... ... ...
...
...

an,m+ 1
0 0 ... 1 an,n+ 1 ... an,m an,m+ 1

En el sistema resultante, las variables xn+1, xn+2, , xm se denominan variables libres y pueden
tomar valores arbitrarios, normalmente asociados al problema que se analiza, mientras que las
otras variables x1, x2, , xn pueden tomar valores dependientes de las variables libres. Los
valores ai,j que aparecen en la matriz reducida, son los valores resultantes de las
transformaciones aplicadas. La forma final facilita asignar valores a estas variables.
En cada etapa, primero se har que el elemento en la diagonal tome el valor 1. Luego se har
que los dems elementos de la columna correspondiente, tomen el valor 0. Realizando
previamente intercambios de filas para colocar como divisor el elemento de mayor magnitud.
Esta estrategia se denomina pivoteo parcial y se usa para determinar si el sistema es singular.
La formulacin es similar al mtodo de Gauss-Jordan descrito en una seccin anterior, pero el
algoritmo incluye el registro de las variables libres.

97
Algoritmo: Gauss-Jordan para sistemas singulares
Entra
a: matriz aumentada del sistema de n ecuaciones lineales
v: vector de variables libres (inicialmente nulo)
Sale
x: Solucin calculada o un vector nulo si la solucin no es nica
a: Matriz reducida a la forma diagonal
Para e = 1, 2, . . ., n
Elegir el valor de mayor magnitud de la columna e en las filas e, e+1, ..., n
Si este valor es cero
agregar e al vector v de las variable libres
avanzar a la siguiente etapa e
Sino (continuar con la transformacin matricial)
Para j=e, e+1, ..., n+1
ae,j ae,j / ae,e
Normalizar la fila e ( a e,e 0 )
Fin
Para i=1, 2, ,n; i n
Para j=e, e+1, ..., n+1

ai,j ai,j ai,e a e,j

Reducir las otras filas

Fin
Fin
Fin
Fin
Si el vector v no contiene variables libres
El vector solucin x es la ltima columna de la matriz a
Sino
Entregar un vector x nulo
Entregar la matriz a reducida
Fin

Ejemplo. Una empresa produce cuatro productos: P1, P2, P3, P4 usando tres tipos de
materiales M1, M2, M3. Cada Kg. de producto requiere la siguiente cantidad de cada material,
en Kg.:
M1
M2
M3

P1
0.2
0.3
0.5

P2
0.5
0
0.5

P3
0.4
0.5
0.1

P4
0.2
0.6
0.2

La cantidad disponible de cada material es: 10, 12, 15 Kg. respectivamente, los cuales deben
usarse completamente. Se quiere analizar alguna estrategia de produccin factible.
Sean x1, x2, x3, x4 cantidades en Kg. producidas de P1, P2, P3, P4, respectivamente
Se obtienen las ecuaciones:
0.2x1 + 0.5x2 + 0.4x3 + 0.2x4 = 10
+ 0.5x3 + 0.6x4 = 12
0.3x1
0.5x1 + 0.5x2 + 0.1x3 + 0.2x4 = 15

98
Es un sistema de tres ecuaciones y cuatro variables. En notacin matricial
x1
0.2 0.5 0.4 0.2 10
0.3 0 0.5 0.6 x 2 = 12

x
0.5 0.5 0.1 0.2 3 15
x 4
Reduccin con el mtodo de Gauss-Jordan usando pivoteo

1.00
0

0
1.00
0

0
1.00
0

0.20
0.44
0.36

0.40
0.48
0.12

30.00
3.00
4.00

1.66

2.00

1.00
0

-1.46
0.80

-1.60
0.60

40.00
-10.00
7.00

0
1.00

0
0

0.75
-0.50

1.00

0.75

1.00
-0.30
0.30

25.41
2.83
8.75

Sistema equivalente reducido:


x1
x2
x3

+ 0.75x4 = 25.41
- 0.50x4 = 2.83
+ 0.75x4 = 8.75

La variable x4 queda como variable libre:


Sea

x4 = t, t0, t

(variable libre)

Conjunto solucin: X = [25.41 - 0.75 t, 2.83 + 0.50 t, 8.75 - 0.75 t, t]

Dependiendo del problema se pueden afinar los rangos para las variables. En este ejemplo, las
variables no pueden tomar valores negativos:
Rango para la variable libre:
x3 = 8.75 - 0.75 t 0 t 11.66
x2 = 2.83 + 0.50 t 0 t 0
x1 = 25.41 - 0.75 t 0 t 33.88
Se concluye que 0 t 11.66
Rango para las otras variables
0 x4 11.66
x3 = 8.75 - 0.75 t
0 x3 8.75
x2 = 2.83 + 0.50 t
2.83 x2 8.66
x1 = 25.41 - 0.75 t
16.66 x1 25.41
Esta informacin puede ser til para decidir la cantidad que debe producirse de cada artculo
usando todos los recursos disponibles y usando cualquier artculo como referencia.
Ejemplo. Si se decide producir 10 Kg del producto P4, entonces para que no sobren materiales,
la produccin ser:
x4=10 t = x4, x3=1.25, x2=7.83, x1=17.91

99
Ejemplo. Si se decide producir 20 Kg del producto P1, entonces para que no sobren materiales,
la produccin ser:
x1=20 t=x4=7.21, x3= 3.34, x2=6.43
4.5.2

Instrumentacin computacional

La instrumentacin se realiza mediante una funcin con el nombre slin utilizando la notacin
compacta de matrices de MATLAB. En la codificacin se incluyen algunos comentarios
ilustrativos. La matriz es estandarizada dividiendo por el elemento de mayor magnitud para
reducir el error de truncamiento y detectar en forma consistente si el sistema es singular.
Por los errores de redondeo se considerar que el elemento de la diagonal es nulo si su valor
-10
tiene una magnitud menor que 10 .
Parmetros de entrada
a: matriz de coeficientes
b: vector de constantes
Parmetros de salida
x: vector solucin
a: matriz de coeficientes reducida a la forma escalonada
Puede llamarse a la funcin slin especificando nicamente un parmetro de salida, el vector
solucin:
>> x=slin(a,b)
Si se obtiene como respuesta un vector nulo
x=
[]
Entonces se puede llamar usando los dos parmetros de salida para analizar el resultado de la
transformacin matricial, como se indicar en los ejemplos posteriores:
>> [x,c]=slin(a,b)
Si el vector solucin no es un vector nulo, entonces el sistema es consistente y la solucin
obtenida es nica y la matriz se habr reducido a la matriz identidad.
Si el vector solucin es un vector nulo, entonces el sistema es singular y la matriz de coeficientes
reducida permitir determinar si es un sistema redundante o incompatible.

function [x,a]=slin(a,b)
[n,m]=size(a);
z=max(max(a));
v=[n+1:m];
a(1:n,m+1)=b;
if n>m
x=[ ];
a=[ ];
return;
end
a=a/z;
for e=1:n

%Vector inicial de variables libres


%Matriz aumentada
%Mas ecuaciones que variables

%Estandarizar la matriz para reducir error


%Ciclo para n etapas

100
[z,p]=max(abs(a(e:n,e)));
%Pivoteo por filas
p=p+e-1;
t=a(e,e:m+1);
%Cambiar filas
a(e,e:m+1)=a(p,e:m+1);
a(p,e:m+1)=t;
if abs(a(e,e))<1.0e-10
%Sistema singular
v=[v, e];
%Agregar variable libre y continuar
else
a(e,e:m+1)=a(e,e:m+1)/a(e,e);
%Normalizar la fila e
for i=1:n
%Reducir otras filas
if i~=e
a(i,e:m+1)=a(i,e:m+1)-a(i,e)*a(e,e:m+1);
end
end
end
end
x=[ ];
if length(v)==0;
x=a(1:n,m+1);
a(:,m+1)=[ ];
return;
end

%Sistema consistente. Solucin nica


%El vector X es la ltima columna de A
%Eliminar la ltima columna de A

En los siguientes ejemplos se utiliza una notacin informal para identificar cada tipo de sistema
que se resuelve. Los resultados obtenidos deben interpretarse segn lo descrito en la
instrumentacin computacional de la funcin slin.
Sistema completo:
Tiene n ecuaciones y n variables
Sistema incompleto:
Tiene n ecuaciones y m variables, n<m. Puede ser dado inicialmente o
puede ser resultado del proceso de transformacin matricial en el que
algunas ecuaciones desaparecen pues son linealmente dependientes.
Sistema consistente: Tiene una solucin nica
Sistema redundante: Tiene variables libres y por lo tanto, infinidad de soluciones
Sistema incompatible: Contiene ecuaciones incompatibles. La transformacin matricial reduce
el sistema a uno conteniendo proposiciones falsas
Las variables libres se reconocen porque no estn diagonalizadas, es decir que no contienen 1
en la diagonal principal de la matriz transformada.
1) Sistema consistente
+ 2x3 + 4x4 = 1
x1
=0
x2 + 2x3
=0
x1 + 2x2 + x3
+ 2x4 = 2
x1 + x2
>> a = [1 0 2 4; 0 1 2 0; 1 2 1 0; 1 1 0 2]
a=
1 0 2 4
0 1 2 0
1 2 1 0
1 1 0 2
>> b=[1; 0; 0; 2]
b=
1
0

101
0
2

>> x=slin(a,b)
x=
-3.0000
2.0000
-1.0000
1.5000
2) Sistema completo reducido a incompleto redundante
>> a=[1 1 2 2;1 2 2 4;2 4 2 4 ;1 3 0 2]
a=
1 1 2 2
1 2 2 4
2 4 2 4
1 3 0 2
>> b=[1; 2; 2; 1]
b=
1
2
2
1
>> x=slin(a,b)
x=
[]
>> [x,c]=slin(a,b)
x=
[]
c=
1 0 0 -4 -2
0 1 0 2 1
0 0 1 2 1
0 0 0 0 0
Se obtiene un sistema equivalente. Las soluciones se asignan mediante la variable libre x4 :
- 4x4 = -2
x1 = 4x4 - 2
x1
x2
- 2x4 = 1
x2 = 2x4 + 1
x3 + 2x4 = 1
x3 = -2x4 + 1
Sea x4 = t, t R, entonces el conjunto solucin es {4t-2, 2t+1, -2t +1}
3) Sistema incompleto
>> a=[1 0 2 4;4 1 2 4;2 4 5 2]
a=
1 0 2 4
4 1 2 4
2 4 5 2
>> b=[1; 0; 2]
b=
1
0
2
>> x=slin(a,b)

102
x=
[]

>> [x,c]=slin(a,b)
x=
[]
c=
1.0000
0
0 0.6400 -0.2800
0 1.0000
0 -1.9200 -0.1600
0
0 1.0000 1.6800 0.6400
Se obtiene un sistema equivalente. Las soluciones se asignan mediante la variable libre x4:
x1
x2

+ 0.64x4 = -0.28
- 1.92x4 = -0.16
x3 + 1.68x4 = 0.64

4) Sistema completo reducido a incompleto incompatible


>> a=[1 1 2 2;1 2 2 4;2 4 2 4 ;1 3 0 2]
a=
1 1 2 2
1 2 2 4
2 4 2 4
1 3 0 2
>> b=[1; 2; 2; 4]
b=
1
2
2
4
>> x=slin(a,b)
x=
[]
>> [x,c]=slin(a,b)
x=
[]
c=
1 0 0 -4 -2
0 1 0 2 1
0 0 1 2 1
0 0 0 0 3

Sistema equivalente:
- 4x4 = -2
x1
- 2x4 = 1
x2
x3 + 2x4 = 1
0x4 = 3

103
4.5.3

Uso de funciones de MATLAB

Comparacin de la funcin slin con la funcin rref de MATLAB resolviendo un sistema singular.
Resolver el sistema incompleto:

1
0

0
0

0 1
0 0
0 1
1 1
0 0

x1
0 0 0 2
x2
1 0 1 30
x3
0 1 0 = 4
x4

0 0 0 10
x5
1 0 0 50
x 6

>> a=[1 0 -1 0 0 0; 0 0 0 1 0 -1; 0 0 1 0 -1 0;0 1 -1 0 0 0; 0 0 0 1 0 0];


5x6)
>> b=[2; 30; -4; 10; 50];
5x1)
>> [x,c]=slin(a,b)
x=
[]
c=
1 0 0 0 -1 0 -2
0 1 0 0 -1 0 6
0 0 1 0 -1 0 -4
0 0 0 1 0 -1 30
0 0 0 0 0 1 20
>> c=rref([a, b])
c=
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0

-1
-1
-1
0
0

0
0
0
0
1

-2
6
-4
50
20

Los resultados son equivalentes. La variable libre es x5


De ambos sistemas reducidos se puede obtener:
x6 = 20
x4 = 50
x5 = t, t 0
x3 = -4 + t
x2 = 6 + t
x1 = -2 + t

(variable libre)

Los resultados obtenidos tambin establecen que t 4

(matriz
(vector

104
4.6

Sistemas tridiagonales

En un sistema tridiagonal la matriz de los coeficientes contiene todos sus componentes iguales a
cero excepto en las tres diagonales principales. Estos sistemas se presentan en la aplicacin de
cierto tipo de mtodos numricos como el caso de los trazadores cbicos y en la solucin de
ecuaciones diferenciales con diferencias finitas.
Se puede disear un mtodo directo para resolver un sistema tridiagonal con eficiencia de primer
orden: T(n)=O(n) lo cual representa una enorme mejora respecto a los mtodos directos
3
generales para resolver sistemas de ecuaciones lineales, cuya eficiencia es T(n)=O(n ).
4.6.1 Formulacin matemtica y algoritmo
Un sistema tridiagonal de n ecuaciones expresado en notacin matricial:
b1 c1
x1 d1
a b c
x d
2
2
2
2 2

x 3 = d3
a 3 b3 c 3


... ... ... ... ...

an bn xn dn
Para obtener la formulacin se puede considerar nicamente un sistema de tres ecuaciones para
luego extenderla al caso general. Las transformaciones son aplicadas a la matriz aumentada:
d1
b1 c1

a
b
c
d
2
2
2
2

a3 b3 d3

1) Sea w 1 = b1 . Dividir la primera fila para w1

a2

2) Sea g1 =

c1
w1
b2
a3

c2
b3

d1
w1

d2

d3

d1
. Restar de la segunda fila, la primera multiplicada por a2
w1

0 b2

c1
w1
a2

c1
w1

a3

b2 a 2
3) Sea w=
2

c1

1 w
1

0 1

a3

d2 a2 g1

d3

g1

c2
b3

c1
. Dividir la segunda fila para w2
w1

d2 a2 g1

w2

d3

g1

c2
w2
b3

105

4) Sea g2 =

d2 a2 g1
. Restar de la tercera fila, la segunda multiplicada por a3
w2

c1
g1
1

w1

c2
g2
0 1

w2

c2

0 b3 a 3
d3 a3 g2
w2

c
b3 a3 2 . Dividir la tercera fila para w3
5) Sea w=
3
w2

c1
1
w
1

0 1

6) Sea g3 =

g2

d3 a3 g2

w3

g1

c2
w2
1

d3 a3 g2
. Finalmente se obtiene:
w3

c1

1 w
1

0 1

c2
w2
1

g1

g2

g3

De donde se puede hallar directamente la solucin


x 3 = g3
x=
g2
2

c2
x3
w2

x=
g1
1

c1
x2
w1

La formulacin se extiende al caso general

(2)

Transformacin matricial de un sistema tridiagonal de n ecuaciones lineales


w 1 = b1
g1 =

d1
w1

ac
wi =
bi i i1 ,
w i1

i=
2,3,...,n

di aigi1
=
,
i 2,3,...,n
wi
Obtencin de la solucin
xn = gn

=
gi

xi =
gi
(2)

ci x i + 1
,
wi

Algoritmo de Thomas

i =
n 1, n 2,...,2,1

106
El algoritmo incluye un ciclo dependiente del tamao del problema n para reducir la matriz y otro
ciclo separado para obtener la solucin, ambos dependientes de n. Por lo tanto este algoritmo
tiene eficiencia T(n)=O(n).

4.6.2

Instrumentacin computacional

Con la formulacin anterior se escribe una funcin para resolver un sistema tridiagonal de n
ecuaciones lineales. La funcin recibe los coeficientes y las constantes en los vectores a, b, c, d.
La solucin es entregada en el vector x
function x = tridiagonal(a, b, c, d)
n = length(d);
w(1) = b(1);
g(1) = d(1)/w(1);
for i = 2:n
w(i) = b(i) - a(i)*c(i-1)/w(i-1);
g(i) = (d(i) - a(i)*g(i-1))/w(i);
end
x(n) = g(n);
for i = n-1:-1:1
x(i) = g(i) - c(i)*x(i+1)/w(i);
end

%Transformacin matricial

%Obtencin de la solucin

Ejemplo. Resuelva el siguiente sistema tridiagonal de ecuaciones lineales usando la funcin


anterior

7 5
x1 6
2 8 1 x 5

2 =

6 4 3 x3 7


9 8 x 4 8

>> a = [0 2 6 9];
>> b = [7 -8 4 8];
>> c = [5 1 3 0];
>> d = [6 5 7 8];
>> x = tridiagonal(a, b, c, d)
x=
0.7402
0.1637
4.8288
-4.4324

Vectores con las diagonales (completas)

Solucin calculada

107

Mtodos iterativos para resolver sistemas de ecuaciones lineales

La resolucin de sistemas de ecuaciones lineales tambin puede hacerse con frmulas iterativas
que permiten acercarse a la respuesta mediante aproximaciones sucesivas, sin embargo desde
el punto de vista prctico es preferible usar mtodos directos que con el soporte computacional
actual resuelven grandes sistemas en forma eficiente y con mucha precisin, a diferencia de los
sistemas de ecuaciones no-lineales cuya solucin no se puede obtener mediante mtodos
directos.
Las frmulas iterativas no siempre convergen, su anlisis puede ser complicado, la convergencia
es de primer orden y se requiere elegir algn vector inicial para comenzar el proceso iterativo. En
la poca actual el estudio de estos mtodos iterativos se puede considerar principalmente como
de inters terico matemtico, excepto para resolver grandes sistemas de ecuaciones lineales
con matrices esparcidas y cuya convergencia se puede determinar fcilmente.
Para definir un mtodo iterativo, se expresa el sistema AX = B en la forma X = G(X) con el
mismo fundamento descrito en el mtodo del Punto Fijo para resolver ecuaciones no lineales.

5.1

Mtodo de Jacobi

5.1.1

Formulacin matemtica

Dado un sistema de ecuaciones lineales


a1,1x1 + a1,2x2 + ... + a1,nxn = b1
a2,1x1 + a2,2x2 + ... + a2,nxn = b2
. . . .

an,1x1 + an,2x2 + ... + an,nxn = bn


Expresado abreviadamente en notacin matricial: AX = B
Una forma simple para obtener la forma X = G(X) consiste en re-escribir el sistema despejando
de la ecuacin i la variable xi a condicin de que ai,i sea diferente de 0:
x1 = 1/a1,1 (b1 a1,2x2 a1,3x3 - ... a1,nxn)
x2 = 1/a2,2 (b2 a2,1x1 a2,3x3 - ... a2,nxn)
. . . .

xn = 1/an,n (bn an,1x1 an,2x2 - ... an,n-1xn-1)


El cual puede escribirse con la notacin de sumatoria:
i1
n
n
1
1
xi =
(bi - ai,j x j ai,j x j ) =
(bi - ai,j x j ); i = 1, 2, ..., n;
ai,i
ai,i
j= 1
j= i + 1
=j 1,ji
El sistema est en la forma X = G(X) la cual sugiere su uso iterativo.
Utilizamos un ndice para indicar iteracin:
(k+1)

(k)

= G(X ), k=0, 1, 2, ....

(iteraciones)

Frmula iterativa de Jacobi:


n
1
xi(k +1) =
(bi - ai,j x (k)
j ); i = 1, 2, ..., n; k = 0, 1, 2, ...
ai,i
=j 1,ji
(0)

(1)

(2)

X es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X , X , ...
(k)
Si el mtodo converge, entonces X tiende a la solucin X a medida que k crece:

X (k) X
k

108
Ejemplo. Dadas las ecuaciones:
5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
Formule un sistema iterativo con el mtodo de Jacobi:
(k+1)
(k)
(k)
= 1/5 (5 + 3x2 x3 )
x1
(k+1)
(k)
(k)
= 1/4 (6 2x1 + x3 )
x2
(k+1)
(k)
(k)
= 1/8 (4 2x1 + 3x2 )
k = 0, 1, 2, ...
x3
(0)

(0)

(0)

Realice dos iteraciones, comenzando con los valores iniciales: x1 = x2 = x3 = 1


(1)

(0)

(0)

(2)

(1)

(1)

k=0:

x1 = 1/5 (5 + 3x2 x3 ) = 1/5 (5 + 3(1) (1)) = 1/5 (7) = 1.4


(1)
(0)
(0)
x2 = 1/4 (6 2x1 + x3 ) = 1/4 (6 2(1) + (1)) = 1/4 (5) = 1.25
(1)
(0)
(0)
x3 = 1/8 (4 2x1 + 3x2 ) = 1/8 (4 2(1) + 3(1)) = 1/8 (5) = 0.625

k=1:

x1 = 1/5 (5 + 3x2 x3 ) = 1/5 (5 + 3(1.25) (0.625)) = 1.6250


(2)
(1)
(1)
x2 = 1/4 (6 2x1 + x3 ) = 1/4 (6 2(1.4) + (0.625)) = 0.9563
(2)
(1)
(1)
x3 = 1/8 (4 2x1 + 3x2 ) = 1/8 (4 2(1.4) + 3(1.25)) = 0.6188

5.1.2

Manejo computacional de la frmula de Jacobi

La siguiente funcin en MATLAB recibe un vector X y entrega un nuevo vector X calculado en


cada iteracin
function x = jacobi(a,b,x)
n=length(x);
t=x;
% t es asignado con el vector X ingresado
for i=1:n
s=a(i,1:i-1)*t(1:i-1)+a(i,i+1:n)*t(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end
Uso de la funcin Jacobi para el ejemplo anterior:
>> a= [5, -3, 1; 2, 4, -1;2, -3, 8];
>> b= [5; 6; 4];
>> x= [1; 1; 1];
>> x=jacobi(a,b,x)
x=
1.4000
1.2500
0.6250
>> x=jacobi(a,b,x)
x=
1.6250
0.9563
0.6188
>> x=jacobi(a,b,x)
x=
1.4500
0.8422
0.4523

Vector inicial
Repita este comando y observe la convergencia

etc.

109
5.1.3

Algoritmo de Jacobi
Entra
a: matriz de coeficientes, b: vector de constantes del sistema de n ecuaciones lineales
e: estimacin del error para la solucin, m: mximo de iteraciones permitidas
x: vector inicial para la solucin, k es el conteo de iteraciones
Sale
x: vector solucin
tx
Para k = 1, 2, . . ., m
Calcular el vector x con la frmula de Jacobi
Si la norma del vector x t es menor que e
x es el vector solucin con error e
Terminar
sino
tx
fin
fin
Al exceder el mximo de iteraciones entregar un vector x nulo

5.1.4

Instrumentacin computacional del mtodo de Jacobi

La siguiente funcin en MATLAB recibe la matriz de coeficientes a y el vector de constantes b


de un sistema lineal. Adicionalmente recibe un vector inicial x, la estimacin del error e y el
mximo de iteraciones permitidas m. La funcin entrega el vector x calculado y el nmero de
iteraciones realizadas k. Si el mtodo no converge, x contendr un vector nulo y el nmero de
iteraciones k ser igual al mximo m.
function [x,k] = jacobim(a,b,x,e,m)
n=length(x);
for k=1:m
t=x;
for i=1:n
s=a(i,1:i-1)*t(1:i-1)+a(i,i+1:n)*t(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end
if norm((x-t),inf)<e
return
end
end
x=[ ];
k=m;
Ejemplo. Use la funcin jacobim para encontrar el vector solucin del ejemplo anterior con un
error de 0.0001 Determine cuntas iteraciones se realizaron. Comenzar con el vector inicial
x=[1; 1; 1]
>> a=[5, -3, 1; 2, 4, -1; 2, -3, 8];
>> b=[5; 6; 4];
>> x=[1; 1; 1];
>> [x,k]=jacobim(a,b,x,0.0001,20)
x=
1.4432
0.8973
0.4757
k=
12

110
5.1.5

Forma matricial del mtodo de Jacobi

Dado el sistema de ecuaciones lineales


AX = B
La matriz A se re-escribe como la suma de tres matrices:
A=L+D+U
D es una matriz diagonal con elementos iguales a los elementos de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos iguales
a los elementos respectivos de la matriz A
U es una matriz triangular superior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
En forma desarrollada:

a1,1 a1,2
a
2,1 a 2,2
A=
... ...

an,1 an,2

... a1,n
0
0

... a2,n
a2,1 0
=L + D + U =
... ...
... ...

... an,n
an,1 an,2

0 a1,1 0
0 0 a 2,2
+
... ... ...

0 0
0

...
...
...
...

0 0 0 a1,2
0 0 0 0
+
... ... ... ...

0 an,n 0 0

Sustituyendo en la ecuacin:
(L + D + U)X = B
LX + DX + UX = B
-1

-1

-1

-1

X = D B - D LX - D UX,

Siempre que D exista

Ecuacin recurrente del mtodo de Jacobi segn el mtodo del Punto Fijo X = G(X)
-1

-1

X = D B - D (L + U)X
En donde

1
D 1 =
ai,i nxn
Ecuacin recurrente desarrollada
x1
x
2
=
:

x2

0
b1 / a1,1
b / a a / a
2 2,2 2,1 2,2


:
:


bn / an,n an,1 / an,n

a1,2 / a1,1

a1,3 / a1,1

a2,3 / a2,2

an,2 / an,n

an,3 / an,n

... a1,n / a1,1 x1


... a2,n / a2,2 x 2

:
...
:

...
0
xn

Frmula recurrente iterativa:

X (k + 1) =D1B D1 (L + U)X (k) , k =0,1,2,...

(iteraciones)

Frmula iterativa con las matrices desarrolladas


x1(k + 1)
(k + 1)
x2
=

:
x (k + 1)
n

0
b1 / a1,1
b / a a / a
2 2,2 2,1 2,2


:
:


bn / an,n an,1 / an,n

a1,2 / a1,1
0
:
an,2 / an,n

a1,3 / a1,1
a2,3 / a2,2
:
an,3 / an,n

(k)
... a1,n / a1,1 x1

... a2,n / a2,2 x (k)


2
:
...
:

...
0
xn(k)

... a1,n
... a2,n
... ...

0 0

111

(0)

(1)

(2)

X es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X , X ,


...
(k)
Si el mtodo converge, entonces la sucesin { X }k=0,1,2,.. tiende al vector solucin X
5.1.6

Prctica computacional con la notacin matricial

Resuelva el ejemplo anterior usando la ecuacin de recurrencia matricial directamente desde la


ventana de commandos de MATLAB
>> a=[5 -3 1; 2 4 -1; 2 -3 8]
a=
5 -3 1
2 4 -1
2 -3 8
>> b=[5;6;4]
b=
5
6
4
>> d=[5 0 0; 0 4 0; 0 0 8]
d=
5 0 0
0 4 0
0 0 8
>> l=[0 0 0; 2 0 0; 2 -3 0]
l=
0 0 0
2 0 0
2 -3 0
>> u=[0 -3 1; 0 0 -1; 0 0 0]
u=
0 -3 1
0 0 -1
0 0 0
>> x=[1;1;1]
x=
1
1
1
>> x=inv(d)*b-inv(d)*(l+u)*x
x=
1.4000
1.2500
0.6250
>> x=inv(d)*b-inv(d)*(l+u)*x
x=
1.6250
0.9562
0.6187
>> x=inv(d)*b-inv(d)*(l+u)*x
x=
1.4500
0.8422
0.4523
Etc

Matriz diagonal

Matriz triangular inferior con ceros en la diagonal

Matriz triangular superior con ceros en la diagonal

Vector inicial

Formula iterativa de Jacobi en forma matricial

112
5.2

Mtodo de Gauss-Seidel

Se diferencia del mtodo anterior al usar los valores ms recientes del vector X, es decir aquellos
que ya estn calculados, en lugar de los valores de la iteracin anterior como en el mtodo de
Jacobi. Por este motivo, podemos suponer que el mtodo de Gauss-Seidel en general converge
o diverge ms rpidamente que el mtodo de Jacobi.
5.2.1

Formulacin matemtica

La frmula de Gauss-Seidel se la obtiene directamente de la frmula de Jacobi separando la


sumatoria en dos partes: los componentes que an no han sido calculados se los toma de la
iteracin anterior k, mientras que los que ya estn calculados, se los toma de la iteracin k+1:
xi(k + 1) =

1
(bi ai,i

i1

ai,jx(kj +1) j= 1

ai,jx(k)
j );

i = 1, 2, ..., n; k = 0, 1, 2, ...

j= i + 1

En general, el mtodo de Gauss-Seidel requiere menos iteraciones que el mtodo de Jacobi en


caso de que converja
Ejemplo. Dadas las ecuaciones:
5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
Formule un sistema iterativo con el mtodo de Gauss-Seidel:
x1= 1/5 (5 + 3x2 x3 )
x2= 1/4 (6 2x1+ x3 )
x3= 1/8 (4 2x1+ 3x2)
Frmula iterativa:
(k+1)
(k)
(k)
= 1/5 (5 + 3x2 x3 )
x1
(k+1)
(k+1)
(k)
= 1/4 (6 2x1
+ x3 )
x2
(k+1)
(k+1)
(k+1)
= 1/8 (4 2x1
+ 3x2
)
x3
(0)

(0)

(0)

Comenzando con el vector inicial: x1 = x2 = x3 = 1, realice dos iteraciones:


(1)

(0)

(0)

(2)

(1)

(1)

k=0:

x1 = 1/5 (5 + 3x2 x3 ) = 1/5 (5 + 3(1) (1)) = 1.4


(1)
(1)
(0)
x2 = 1/4 (6 2x1 + x3 ) = 1/4 (6 2(1.4) + (1)) = 1.05
(1)
(1)
(1)
x3 = 1/8 (4 2x1 + 3x2 ) = 1/8 (4 2(1.4) + 3(1.05)) = 0.5438

k=1:

x1 = 1/5 (5 + 3x2 x3 ) = 1/5 (5 + 3(1.05) (0.5438))=1.5212


(2)
(2)
(1)
x2 = 1/4 (6 2x1 + x3 ) = 1/4 (6 2(1.5212) + (0.5438)) = 0.8753
(2)
(2)
(2)
x3 = 1/8 (4 2x1 + 3x2 ) =1/8 (4 2(1.5212) + 3(0.8753))=0.4479

113
5.2.2

Manejo computacional de la frmula de Gauss-Seidel

La siguiente funcin en MATLAB recibe un vector X y entrega un nuevo vector X calculado en


cada iteracin
function x = gaussseidel(a,b,x)
n=length(x);
for i=1:n
s=a(i,1:i-1)*x(1:i-1)+a(i,i+1:n)*x(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end

%Usa el vector x actualizado

Resuelva el ejemplo anterior usando la funcin gaussseidel:


>> a = [5, -3, 1; 2, 4, -1;2, -3, 8];
>> b = [5; 6; 4];
>> x = [1; 1; 1];
>> x=gaussseidel(a,b,x)
x=
1.4000
1.0500
0.5438
>> x=gaussseidel(a,b,x)
x=
1.5213
0.8753
0.4479
>> x=gaussseidel(a,b,x)
x=
1.4356
0.8942
0.4764
>> x=gaussseidel(a,b,x)
x=
1.4412
0.8985
0.4766

Vector inicial
Repetir este comando y observar la convergencia

etc.

En general, la convergencia es ms rpida que con el mtodo de Jacobi

5.2.3

Instrumentacin computacional del mtodo de Gauss-Seidel

Similar al mtodo de Jacobi , conviene instrumentar el mtodo incluyendo el control de


iteraciones dentro de la funcin, suministrando los parmetros apropiados.
Los datos para la funcin son la matriz de coeficientes a y el vector de constantes b de un
sistema lineal. Adicionalmente recibe un vector inicial x, el criterio de error e y el mximo de
iteraciones permitidas m. La funcin entrega el vector x calculado y el nmero de iteraciones
realizadas k. Si el mtodo no converge, x contendr un vector nulo y el nmero de iteraciones
k ser igual al mximo m.

114
function [x,k] = gaussseidelm(a,b,x,e,m)
n=length(x);
for k=1:m
t=x;
for i=1:n
s=a(i,1:i-1)*x(1:i-1)+a(i,i+1:n)*x(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end
if norm((x-t),inf)<e
return
end
end
x=[ ];
k=m;

Ejemplo. Use la funcin gaussseidelm para encontrar el vector solucin del ejemplo anterior
con un error de 0.0001 y determine cuntas iteraciones se realizaron si se comienza con el
vector inicial x=[1; 1; 1]
>> a=[5, -3, 1; 2, 4, -1; 2, -3, 8];
>> b=[5; 6; 4];
>> x=[1; 1; 1];
>> [x,k]=gaussseidelm(a,b,x,0.0001,20)
x=
1.4432
0.8973
0.4757
k=
7
5.2.4

Forma matricial del mtodo de Gauss-Seidel

Dado el sistema de ecuaciones lineales


AX = B
La matriz A se re-escribe como la suma de tres matrices:
A=L+D+U
D es una matriz diagonal con elementos iguales a los elementos de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos iguales
a los elementos respectivos de la matriz A
U es una matriz triangular superior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A
Sustituyendo en la ecuacin:
(L + D + U)X = B
LX + DX + UX = B
-1

-1

-1

X = D B - D LX - D UX,

-1

Siempre que D exista

115
Ecuacin recurrente con las matrices desarrolladas
0
0
0
... 0 x1 0 a1,2 / a1,1 a1,3 / a1,1
x1 b1 / a1,1
x b / a a / a
0
0
... 0 x 2 0
0
a2,3 / a2,2
2 2,2 2,1 2,2
2 =


:
:
:
:
:
... : : :
:
:



0
0
x 2 bn / an,n an,1 / an,n an,2 / an,n an,3 / an,n ... 0 xn 0

... a1,n / a1,1 x1


... a2,n / a2,2 x 2
:
...
:

...
0
xn

El sistema est en la forma recurrente del punto fijo X = G(X) que sugiere su uso iterativo. En el
mtodo de Gauss-Seidel se utilizan los valores recientemente calculados del vector X.
Frmula iterativa

X (k +1) =
D1B D1LX (k +1) D1UX (k) , k =
0,1,2,...
(0)

(1)

(2)

es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X , X , ...
(k)

Si el mtodo converge, entonces la sucesin { X

}k=0,1,2,.. tiende al vector solucin X

Frmula matricial iterativa del mtodo de Gauss-Seidel:


x1(k +1) b1 / a1,1
0
0
0
(k +1)

0
0
x 2 b2 / a2,2 a2,1 / a2,2

:
:
:
:
:

(k
1)
+
b /a
a /a
an,2 / an,n an,3 / an,n
x

n n n,n n,1 n,n

5.3

(k + 1)
... 0 x1 0 a1,2 / a1,1 a1,3 / a1,1


+ 1)
... 0 x (k
0
a2,3 / a2,2
0
2

... : : :
:
:

(k
1)
+
... 0 x
0
0
0
n

a1,n / a1,1 x1

... a2,n / a2,2 x (k)


2
:
...
:

...
0
xn(k)
...

Mtodo de relajacin

Es un dispositivo para acelerar la convergencia (o divergencia) de los mtodos iterativos


5.3.1

Formulacin matemtica

Se la obtiene de la frmula de Gauss-Seidel incluyendo un factor de convergencia


i1
n

+ 1)
(bi - ai,j x (k
- ai,j x (k)
xi(k + 1) = xi(k) +
j
j ); i = 1, 2, ..., n; k = 0, 1, 2, ...
ai,i
j= 1
j= i

0 < < 2 es el factor de relajacin


Si =1 la frmula se reduce a la frmula iterativa de Gauss-Seidel
Ejemplo. Dadas las ecuaciones:
5x1 3x2 + x3 = 5
2x1 + 4x2 x3 = 6
2x1 3x2 + 8x3 = 4
Formule un sistema iterativo con el mtodo de Relajacin:
x1
= x1 + /5 (5 5x1 + 3x2 x3 )
(k+1)
(k)
(k+1)
(k)
(k)
= x2 + /4 (6 2x1
4x2 x3 )
x2
(k+1)
(k)
(k+1)
(k+1)
(k)
x3
= x3 + /8 (4 2x1
+ 3x2
8x3 )
(k+1)

(k)

(k)

(k)

(k)

(k)

116
Realice una iteracin con el vector inicial: x1 = x2 = x3 = 1, y con =1.1:
(0)

(0)

(0)

k=0:
(1)
(0)
(0)
(0)
(0)
x1 = x1 + 1.1/5 (5 5x1 + 3x2 x3 ) = 1 + 1.1/5 (5 5(1) + 3(1) 1) = 1.4400;
(1)
(0)
(1)
(0)
(0)
x2 = x2 + 1.1/4 (6 2x1 4x2 + x3 ) = 1 + 1.1/4 (6 2(1.6) 4(1) + 1) = 1.0330
(1 )
(0)
(1)
(1)
(0)
x3 = x3 + 1.1/8 (4 2x1 + 3x2 8x3 ) = 1 + 1.1/8 (4 2(1.6) 3(0.925) 8(1)) = 0.4801
5.3.2

Manejo computacional de la frmula de relajacin

La siguiente funcin en MATLAB recibe un vector X y el factor de relajacin w. Entrega un


nuevo vector X calculado en cada iteracin
function x = relajacion(a,b,x,w)
n=length(x);
for i=1:n
s=a(i,1:n)*x(1:n);
x(i)=x(i)+w*(b(i)-s)/a(i,i);
end

%Usa el vector x actualizado

Resuelva el ejemplo anterior usando la funcin relajacin con k=1.2:


>> a = [5, -3, 1; 2, 4, -1;2, -3, 8];
>> b = [5; 6; 4];
>> x = [1; 1; 1];
>> x=relajacin(a,b,x,1.2)
x=
1.4800
1.0120
0.4114
>> x=relajacion(a,b,x,1.2)
x=
1.5339
0.8007
0.4179
5.3.3

Vector inicial
Repita este comando y observe la convergencia

Forma matricial del mtodo de relajacin

Dado el sistema de ecuaciones lineales


AX = B
La matriz A se re-escribe como la suma de las siguientes matrices:
A=L+D+S-D
D es una matriz diagonal con elementos iguales a los elementos de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos iguales
a los elementos respectivos de la matriz A
S es una matriz triangular superior con todos sus elementos iguales a los elementos respectivos
de la matriz A
Sustituyendo en la ecuacin:
(L + D + S - D)X = B
LX + DX + SX - D X = B
-1

-1

-1

-1

X = D B - D LX - D SX + D DX,
-1

-1

-1

X = X + D B - D LX - D SX

-1

Siempre que D exista

117
Ecuacin recurrente con las matrices desarrolladas

0
0
x1 x1 b1 / a1,1 0
x x b / a a / a
0
0
2 =
2 + 2 2,2 2,1 2,2
: : :
:
:
:


x 2 x 2 bn / an,n an,1 / an,n an,2 / an,n an,3 / an,n

... 0 x1 1 a1,2 / a1,1 a1,3 / a1,1


... 0 x 2 0
1
a2,3 / a2,2

... : : :
:
:

... 0 xn 0
0
0

... a1,n / a1,1 x1


... a2,n / a2,2 x 2
:
...
:

...
1 xn

El sistema est en la forma recurrente del punto fijo X = G(X) que sugiere su uso iterativo. En el
mtodo de Relajacin se agrega un factor
Frmula iterativa en forma matricial
+ 1)
X (k=
X (k) + (D1B D1LX (k + 1) D1SX (k) ), =
k 0,1,2,...

es el factor de relajacin. Este factor modifica al residual tratando de reducirlo a cero con
mayor rapidez que el mtodo de Gauss-Seidel.
Si =1 la frmula iterativa se reduce a la frmula del mtodo de Gauss-Seidel
Si (0,1) se denomina mtodo de subrelajacin.
Si (1,2) se denomina mtodo de sobrerelajacin.
(0)

X es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores


(1)
(2)
X , X , ...

5.4 Convergencia de los mtodos iterativos para sistemas lineales


Dado el sistema de ecuaciones lineales

AX = B
Se puede re-escribir en un sistema equivalente recurrente como en el Punto Fijo: X = G(X)

X= C + TX
En donde C es un vector y T se denomina matriz de transicin
Forma iterativa de la ecuacin de recurrencia:

X (k +1) =
C + TX (k) , k =
0,1,2,...
De la resta de las ecuaciones se obtiene
(k+1)
(k)
X-X
= T (X - X )
Si se define el error de truncamiento vectorialmente entre dos iteraciones consecutivas
(k)

(k)

=X-X

(k+1)

(k+1)

=X-X

Sustituyendo en la ecuacin anterior


(k+1)

(k)

= TE

Definicin
Convergencia del error de truncamiento
(k+1)

(k)

E
= TE
En donde T es la matriz de transicin

118
Definicin
Si A es una matriz, entonces su radio espectral se define como
(A)
= max { i | i es un valor caracterstico de A}
1 i n

Teorema general de convergencia


(k)

La sucesin { X

}k=0,1,2,.. definida con la frmula iterativa X

converge con cualquier vector inicial X

(0)

(k + 1)

=
C + TX (k) , k =
0,1,2,...

R n al vector solucin X si y solo si (T) < 1

5.4.1 Matriz de transicin para los mtodos iterativos


Forma general recurrente de los mtodos iterativos

X (k + 1) =
C + TX (k) , k =
0,1,2,...
Para obtener T se usar la definicin de convergencia con el error de truncamiento
(k+1)

(k)

= TE

Matriz de transicin para el mtodo de Jacobi


Sistema de ecuaciones lineales
AX = B
Ecuacin recurrente equivalente sustituyendo A = L + D + U

X =D1B D1 (L + U)X ,

-1

Siempre que D exista

Ecuacin recurrente iterativa del mtodo de Jacobi

X (k + 1) =D1B D1 (L + U)X (k) , k =0,1,2,...


Restar las ecuaciones para aplicar la definicin de convergencia: E
(k+1)

XX
(k+1)

-1

(k+1)

(k)

= TE

(k)

= -D (L+U)(X X )
-1

= -D (L+U)E

(k)

Matriz de transicin:
0

a / a
2,1
2,2
T=
D1(L + U) =

an,1 / an,n

a1,2 / a1,1
0
:
an,2 / an,n

a1,3 / a1,1
a2,3 / a2,2
:
an,3 / an,n

... a1,n / a1,1


... a2,n / a2,2

...
:

...
0

En la matriz de transicin del mtodo de Jacobi se puede establecer una condicin suficiente de
convergencia, ms dbil que la condicin general de convergencia:
Si la matriz de coeficientes A es de tipo diagonal dominante, entonces el mtodo de Jacobi
(0)
n
converge a la solucin X para cualquier vector inicia X R
Convergencia definida con el error de truncamiento
(k+1)

(k)

= TE

Su norma:
(k+1)

|| E

|| || T || || E

(k)

||, k = 0, 1, 2, ...

119
Esta relacin define una condicin suficiente para la convergencia del mtodo de Jacobi
mediante la norma de la matriz de transicin: || T || < 1
Se conoce tambin la relacin (A) || T ||
La forma de la matriz T establece que si en cada fila de la matriz A la magnitud de cada
elemento en la diagonal es mayor que la suma de la magnitud de los otros elementos de la fila
respectiva, entonces || T || < 1 usando la norma de fila. Si la matriz A cumple esta propiedad se
dice que es diagonal dominante y constituye una condicin suficiente para la convergencia
i (|ai,i| >

=j 1,ji

| ai,j | ) || T || < 1

Ejemplo. Se plantea resolver el siguiente sistema con el mtodo iterativo de Jacobi y se desea
determinar la convergencia examinando la matriz de transicin:

8x1 + 9x 2 + 2x 3 =
69
2x1 + 7x 2 + 2x 3 =
47
2x1 + 8x 2 + 6x 3 =
68
Frmula iterativa de Jacobi
X (k + 1) =
C + TX (k) =
D1B D1 (L + U)X (k) , k =
0,1,2,...
Matriz de transicin T
0 9 / 8 2 / 8
T=
D (L + U) =
2 / 7 0 2 / 7
2 / 6 8 / 6 0
1

Norma de T:
|| T=
|| 5 / 3 > 1
Por lo tanto, la convergencia del mtodo de Jacobi no se puede asegurar
Para determinar con certeza la convergencia se debe encontrar el radio espectral:
(A)
= max { i | i es un valor caracterstico de A}
1 i n

Los valores propios de T son las races del polinomio caracterstico:


p( ) = det(T I) = 3 + 11/ 14 17 / 84 = 0
Los valores propios son: 0.287968, 0.706615, -0.994583
Por lo tanto (T) < 1 y se puede concluir que el mtodo de Jacobi si converge
Clculos con MATLAB usando precisin estndar
>> t=[0 9/8 2/8; 2/7 0 2/7; 2/6 8/6 0];
>> lambda=eig(t)
lambda =
0.9946
-0.2880
-0.7066
>> ro=max(abs(lambda))
ro =
0.9946

Matriz de transicin
Obtencin de los valores propios
(Eigen values)

Radio espectral

120
Matriz de transicin para el mtodo de Gauss-Seidel
Sistema de ecuaciones lineales
AX = B
Ecuacin recurrente equivalente sustituyendo A = L + D + U
-1

-1

-1

-1

X = D B D LX D UX,

Siempre que D exista

Ecuacin recurrente iterativa del Mtodo de Gauss-Seidel


(k+1)

-1

-1

(k+1)

-1

= D B D LX

(k)

D UX

Restar las ecuaciones para aplicar la definicin de convergencia: E


(k+1)

-1

XX
(k+1)

(k+1)

(k+1)

-1

) D U(X X )

-1

(k)

(k+1)

-1

(k)

= TE

(k)

= -D L(X X

= -D LE

(k+1)

D UE

-1

-1

(k)

(I + D L) = -D UE

(k+1)

-1

-1

-1

(k)

= (I + D L) ( -D U)E

Matriz de transicin:
-1

-1

-1

T = (I + D L) ( -D U)
Matriz de transicin para el mtodo de Relajacin
Sistema de ecuaciones lineales
AX = B
Ecuacin recurrente equivalente sustituyendo A = L + D + S D incluyendo el factor
X = X + D B - D LX - D SX,
-1

-1

-1

-1

Siempre que D exista

Ecuacin recurrente iterativa del Mtodo de Relajacin


(k+1)

(k)

=X

+ D B - D LX
-1

-1

(k+1)

- D SX
-1

(k)

Restar las ecuaciones para aplicar la definicin de convergencia: E


(k+1)

(k)

XX
(k+1)

=XX
(k)

=E

- D L(X X
-1

- D LE
-1

(k+1)

(k+1)

D SE
-1

(k)

(k+1)

(I + D L) = E ( I - D S)

(k+1)

= (I + D L) ( I - D S)E

E
E

-1

(k)

-1

-1

-1

-1

Matriz de transicin:
T = (I + D L) ( I - D S)
-1

-1

-1

(k)

) D S(X X )
-1

(k)

(k+1)

(k)

= TE

121
5.5

Eficiencia de los mtodos iterativos

La frmula del error de truncamiento expresa que la convergencia de los mtodos iterativos es
de primer orden:
(k+1)

(k)

= O(E )

Cada iteracin requiere multiplicar la matriz de transicin por un vector, por lo tanto la cantidad
2
de operaciones aritmticas realizadas T en cada iteracin es de segundo orden: T(n)=O(n )
Si k representa la cantidad de iteraciones que se realizan hasta obtener la precisin requerida,
2
entonces la eficiencia de clculo de los mtodos iterativos es: T(n) = k O(n )

5.6

Finalizacin de un proceso iterativo

Si la frmula iterativa converge, se puede escribir:


X, si k

(k)

(k+1)

X, si k

(k+1)

|| X

(k)

-X

|| 0, si k

Entonces, si el mtodo converge, se tendr que para cualquier valor positivo


pequeo, en alguna iteracin k:
(k+1)

|| X

(k)

-X

arbitrariamente

|| <

Se dice que el vector calculado tiene error

Para que el error se independiente de la magnitud de los resultados se puede usar la definicin
de error relativo:

|| X (k + 1) X (k) ||
< ,
|| X (k + 1) ||

5.7

en donde puede expresarse como porcentaje

Instrumentacin del mtodo de Jacobi con el radio espectral

La siguiente instrumentacin del mtodo de Jacobi usa el radio espectral para determinar la
convergencia. En caso de convergencia, entrega la solucin y la cantidad de iteraciones
realizadas hasta que se cumple el requisito del error permitido. Caso contrario, entrega un vector
nulo.
a: matriz de coeficientes
b: vector de constantes
e: error permitido
x: vector solucin
k: conteo de iteraciones realizadas

function [x,k]=jacobie(a,b,e)
d=diag(diag(a));
l=tril(a)-d;
u=triu(a)-d;
T=-inv(d)*(l+u);
v=eig(T);
r=max(abs(v));

%Matriz de transicin
%Radio espectral

122

if r>=1
x=[ ];
k=r;
return;
end
x=[1; 1; 1];
for i=1:1000000000
xn=inv(d)*b-inv(d)*(l+u)*x;
if norm(x-xn,inf)<e
k=i;
return;
end
x=xn;
end

Ejemplo. Resolver el siguiente sistema de ecuaciones con el mtodo iterativo de Jacobi en caso
de que converja y determine la cantidad de iteraciones realizadas hasta que los resultados
4
tengan error E=10

8x1 + 9x 2 + 2x 3 =
69
2x1 + 7x 2 + 2x 3 =
47
2x1 + 8x 2 + 6x 3 =
68
>> a=[8 9 2; 2 7 2; 2 8 6]
a=
8 9 2
2 7 2
2 8 6
>> b=[69; 47; 68]
b=
69
47
68
>> [x,k]=jacobie(a,b,0.0001)
x=
2.0000
5.0000
4.0000
k=
2096

Vector solucin

Cantidad de iteraciones

NOTA: La gran cantidad de iteraciones requeridas demuestra lo ineficiente que puede ser este
mtodo iterativo cuando el radio espectral es cercano a 1

123
5.8 Prctica computacional con los mtodos iterativos
Ejemplo. Dado el sistema de ecuaciones:
9x1 + 3x2 + 7x3 = 5
2x1 + 5x2 + 7x3 = 6
6x1 + 2x2 + 8x3 = 4
Determine la convergencia y resuelva con los mtodos iterativos anteriores
>> a=[9 3 7; 2 5 7; 6 2 8]
a=
9 3 7
2 5 7
6 2 8
>> b=[5;6;4]
b=
5
6
4
>> d=diag(diag(a))
d=
9 0 0
0 5 0
0 0 8
>> l=tril(a)-d
l=
0 0 0
2 0 0
6 2 0
>> u=triu(a)-d
u=
0 3 7
0 0 7
0 0 0
>> t=-inv(d)*(l+u)
t=
0 -0.3333 -0.7778
-0.4000
0 -1.4000
-0.7500 -0.2500
0
>> e=eig(t)
e=
-1.1937
0.5969 + 0.0458i
0.5969 - 0.0458i
>> r=norm(e,inf)
r=
1.1937
>> x=[1;1;1]
x=
1
1
1
>> x=jacobi(a,b,x)
x=
-0.5556
-0.6000
-0.5000

No es diagonal dominante
pero pudiera ser que converja

matriz diagonal

matriz triangular inferior

matriz triangular superior

Mtodo de Jacobi
Matriz de transicin

valores caractersticos

mayor valor caracterstico


No converge

124
>> t=inv((eye(3)+inv(d)*l))*(-inv(d)*u)
t=
0 -0.3333 -0.7778
0 0.1333 -1.0889
0 0.2167 0.8556
>> r=norm(eig(t),inf)
r=
0.5916
>> x=[1;1;1]
x=
1
1
1
>> x=gaussseidel(a,b,x)
x=
-0.5556
0.0222
0.9111
>> x=gaussseidel(a,b,x)
x=
-0.1605
-0.0114
0.6232
>> x=gaussseidel(a,b,x)
x=
0.0746
0.2977
0.3696
>> s=triu(a)
s=
9 3 7
0 5 7
0 0 8
>> w=0.9;
>> t=inv(eye(3)+w*inv(d)*l)*(eye(3)-w*inv(d)*s)
t=
0.1000 -0.3000 -0.7000
-0.0360 0.2080 -1.0080
-0.0594 0.1557 0.7993
>> r=norm(eig(t),inf)
r=
0.6071
>> x=[1;1;1]
x=
1
1
1
>> x=relajacion(a,b,x,0.9)
x=
-0.4000
0.0640
0.8056

Mtodo de Gauss-Seidel
Matriz de transicin

Si converge

Mtodo de Relajacin con w=0.9

Matriz de transicin

Si converge

125
>> x=relajacion(a,b,x,0.9)
x=
-0.1231
0.1157
0.5876
>> w=1.1;
>> t=inv(eye(3)+w*inv(d)*l)*(eye(3)-w*inv(d)*s)
t=
-0.1000 -0.3667 -0.8556
0.0440 0.0613 -1.1636
0.0704 0.2856 0.9258
>> r=norm(eig(t),inf)
r=
0.6076
>> w=1.5;
>> t=inv(eye(3)+k*inv(d)*l)*(eye(3)-k*inv(d)*s)
t=
-0.5000 -0.5000 -1.1667
0.3000 -0.2000 -1.4000
0.4500 0.6375 1.3375
>> r=norm(eig(t),inf)
r=
0.9204
>> w=1.6;
>> t=inv(eye(3)+w*inv(d)*l)*(eye(3)-w*inv(d)*s)
t=
-0.6000 -0.5333 -1.2444
0.3840 -0.2587 -1.4436
0.5664 0.7435 1.4708
>> r=norm(eig(t),inf)
r=
1.0220

Mtodo de relajacin (w=1.1)


Matriz de transicin

Si converge
Mtodo de relajacin (w=1.5)
Matriz de transicin

Si converge
Mtodo de relajacin (w=1.6)
Matriz de transicin

No converge

Se puede comprobar la convergencia o divergencia llamando repetidamente a la funcin


relajacin escrita previamente en MATLAB. Se la puede modificar incluyendo una condicin
para que se repita hasta que el mtodo converja y un conteo de iteraciones para comparar con
diferentes casos, en forma similar a la funcin gaussseidelm

Ejemplo
La siguiente matriz es del tipo que aparece frecuentemente en Anlisis Numrico

4 1 1 1
1 4 1 1

a=
1 1 4 1

1 1 1 4
Use el Teorema general de convergencia: (T) < 1, para determinar cul es el mtodo iterativo
ms favorable para realizar los clculos con esta matriz.

126
>> a=[4 -1 -1 -1; -1 4 -1 -1;-1 -1 4 -1; -1 -1 -1 4]
a=
4 -1 -1 -1
-1 4 -1 -1
-1 -1 4 -1
-1 -1 -1 4
>> d=diag(diag(a));
>> l=tril(a)-d;
>> u=triu(a)-d;
>> s=triu(a);
>> t=-inv(d)*(l+u);
>> rjacobi=norm(eig(t),inf)
rjacobi =
0.7500

Mtodo de Jacobi

>> t=inv((eye(4)+inv(d)*l))*(-inv(d)*u);
>> rgaussseidel=norm(eig(t),inf)
rgaussseidel =
0.5699

Mtodo de Gauss-Seidel

>> w=0.9;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.6438

Mtodo de Relajacin

>> w=1.1;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.4754
>> w=1.2;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.3312
>> w=1.3;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.3740
>> w=1.4;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.4682
Estos resultados muestran que para esta matriz, los tres mtodos convergeran. La convergencia
ser ms rpida si se usa el mtodo de relajacin con w = 1.2. Se puede verificar realizando
las iteraciones con las funciones respectivas escritas en MATLAB

127
5.9

Ejercicios y problemas con sistemas de ecuaciones lineales

1. Dado el sistema lineal de ecuaciones:

3x 1 x 3 = 5
x 1 + 2x 2 x 3 = 2
x 1 + x 2 + ( + 1)x 3 = 1
Indique para cuales valores de el sistema tiene una solucin
2. Dado el sistema [ai, j] x = [bi], i, j = 1, 2, 3
Siendo ai, j = i/(i + j), bi = 2i
a) Escriba el sistema de ecuaciones lineales correspondiente
b) Resuelva el sistema con el Mtodo de Gauss-Jordan

3. Los puntos (x, y): (1, 3), (2,5), (4,2), (5, 4) pertenecen a la siguiente funcin:
2
0.1x
+ a3 x + a4
f(x) = a1x + a2 e
a) Escriba el sistema de ecuaciones con los puntos dados,
b) Resuelva el sistema con el Mtodo de Gauss usando la estrategia de pivoteo con 4 decimales
4. Demuestre mediante un conteo que la cantidad de multiplicaciones que requiere el mtodo de
3
2
directo de Gauss-Jordan para resolver un sistema de n ecuaciones lineales es n /2 + O(n ) y que
3
2
para el Mtodo de Gauss es n /3 + O(n )
5. En el mtodo de Gauss con pivoteo parcial, en cada etapa e de la transformacin, se elige
como divisor el coeficiente con mayor magnitud de los coeficiente ubicados en la columna e y en
las filas e, e+1, e+2, , n.
Describa en seudocdigo un algoritmo para realizar el pivoteo total que consiste en elegir como
divisor el coeficiente de mayor magnitud en la submatriz ubicada desde la fila e hasta la fila n y
desde la columna e hasta la columna n. Su algoritmo debe describir nicamente el intercambio
de filas y columnas indicando los ciclos y los ndices para comparar e intercambiar filas y
columnas.
6. Describa, en notacin simblica o en cdigo MATLAB, un algoritmo que reciba una matriz
Anxn y entregue como resultado las matrices L, D, U tales que A = L+D+U. Describa la
descomposicin matricial mediante ciclos e ndices. L: sub matriz debajo de la diagonal, D:
matriz diagonal, U: submatriz sobre la diagonal. No use comandos diag, tril, triu de MATLAB
7. Considere la matriz de los coeficientes del ejercicio 3 de la seccin anterior
a) Use el mtodo de Gauss-Jordan para encontrar la matriz inversa
b) Calcule el nmero de condicin. Es una matriz mal condicionada?
8. Dado el siguiente sistema de ecuaciones
1 1/ 2 1/ 3 x1 4
1/ 4 1/ 5 1/ 6 x = 5

2
1/ 7 1/ 8 1/ 9 x 3 6
a) Resuelva el sistema usando el mtodo de Gauss-Jordan. Simultneamente encuentre la
inversa de la matriz
b) Modifique la matriz de coeficientes sustituyendo el valor de elemento a1,1 con el valor 0.9
Resuelva nuevamente el sistema. Encuentre la variacin en la solucin calculada.

128
c) Obtenga el nmero de condicin de la matriz original.
d) Suponga que el error en los coeficientes no excede a 0.01. Use la definicin indicada para
encontrar una cota para el error en la solucin
9. Un comerciante compra tres productos: A, B, C. Estos productos se venden por peso en Kg.
pero en las facturas nicamente consta el total que debe pagar. El valor incluye el impuesto a las
ventas y supondremos, por simplicidad que es 10%. El comerciante desea conocer el precio
unitario de cada artculo, para lo cual dispone de tres facturas con los siguientes datos:
Factura Kg. de A Kg. de B Kg. de C Valor pagado
1
4
2
5
$19.80
2
2
5
8
$30.03
3
2
4
3
$17.82
Formule el modelo matemtico para encontrar la solucin y obtngala mediante un mtodo
directo.
10. El siguiente programa se puede usar para construir una matriz Anxn mal condicionada con
nmero de condicin mayor a 1000.
n=input('Ingrese dimensin ');
c=0;
while c<1000
a=fix(10*rand(n,n));
c=cond(a,inf);
end
disp(c);
disp(a);
a) Use este programa para construir una matriz mal condicionada de dimensin 5x5
b) Defina un vector de constantes y con la matriz anterior, defina un sistema de ecuaciones
lineales
c) Use un mtodo directo computacional para obtener la solucin del sistema anterior.
d) Modifique ligeramente algn coeficiente de la matriz, recalcule la solucin y verifique la
sensibilidad de la solucin a este cambio.
e) Use el nmero de condicin para establecer una cota para el error relativo de la solucin en
trminos del error relativo de la matriz de coeficientes.
11. Suponga que el siguiente modelo describe la cantidad de personas que son infectadas por
2
0.15X
. Se conoce adems que la
un virus, en donde x es tiempo en das: f(x) = k1 x + k2 x + k3 e
cantidad de personas infectadas fue 25, 130 y 650 en los das 10, 15 y 20 respectivamente. En
el modelo, k1, k2 y k3 son coeficientes que deben determinarse.
a) Plantee el sistema de ecuaciones lineales que permitira determinar los coeficientes
T
b) Verifique que el vector K = [-17.325094, -2.242168, 94.265303] es la solucin
c) Suponga que el dato 650 realmente corresponda al da 21. Al resolver nuevamente el
T
sistema se obtiene el vector solucin K = [-14.427522, -0.897956, 57.8065182] .
Es confiable la solucin calculada?
d) Determine la variacin relativa de la solucin con respecto a la variacin relativa de la matriz
de coeficientes, sabiendo que la inversa de la matriz original es:
. . .
. . .
. . .

129
12. Dado el siguiente sistema de ecuaciones
2 5 4 x1 35
3 9 8 x = 65

2
2 3 1 x 3 17
a) Obtenga la solucin con un mtodo directo
b) En la matriz de coeficientes sustituya 5 por 5.1 y obtenga nuevamente la solucin con un
mtodo directo y compare con la solucin del sistema original
c) Encuentre el error relativo de la solucin y compare con el error relativo de la matriz. Comente
acerca del tipo de sistema
13. Use la funcin slin para resolver el siguiente sistema. Identifique las variables libres. Escriba
el conjunto solucin en trminos de la variable libre. Asigne un valor a la variable libre y
determine el valor de cada una de las otras variables:
8
5

1
9
6
2

2
5
3
9
8
9

9
3
2
1
5
9

7 6
2 2
6 4
3 3
8 6
9 1

1
7 1
4 2 4

2 3 = 2
1 4 4
6 5 6
8 6 5

14. Determine si el sistema de ecuaciones lineales obtenido con la siguiente frmula converge a
la solucin con el Mtodo de Jacobi
3kX k-1 - 6kX k + 2kX k + 1 = 2k -1
X0 = -3, Xn = 4, k=1, 2, 3, ..., n -1, n>3

2 X1 X 3 =
1

15. Sea el sistema lineal de ecuaciones: X 1 + 2 X 2 X 3 =


2
X + X + X =
1
2
3
1
a) Para que valores de y se puede asegurar la convergencia con el mtodo de Jacobi?
(0)

b) Realice 3 iteraciones del mtodo de Jacobi, con X


aseguren la convergencia.

= [1, 2, 3] usando valores de y que


T

16. Una empresa produce semanalmente cuatro productos: A, B, C, D usando tres tipos de
materiales M1, M2, M3. Cada Kg. de producto requiere la siguiente cantidad de cada material,
en Kg.:
M1
M2
M3

P1
0.1
0.2
0.7

P2
0.3
0.6
0.1

P3
0.6
0.3
0.1

P4
0.4
0.4
0.2

La cantidad disponible semanal de cada material es: 100, 120, 150 Kg. respectivamente, los
cuales deben usarse completamente. Se quiere analizar la estrategia de produccin.
a) Formule un sistema de ecuaciones lineales siendo x1, x2, x3, x4 cantidades en Kg. producidas
semanalmente de los productos A, B, C, D respectivamente
b) Obtenga una solucin con la funcin slin y re-escriba el sistema de ecuaciones resultante.

130
c) Escriba el conjunto solucin expresado mediante la variable libre.
d) Encuentre el rango factible para la variable libre
e) Encuentre el rango factible para las otras variables
f) Defina cuatro casos de produccin eligiendo un valor para cada una de las cuatro variables y
estableciendo el nivel de produccin para las restantes variables.

17. Dado el sistema siguiente. Reordene las ecuaciones tratando de acercarlo a la forma
diagonal dominante.
4x1 + 2x 2 + 5x 3 =
18.00

2x1 + 5x 2 + x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
a) Escriba la matriz de transicin del mtodo de Jacobi y determine si se cumple la condicin
suficiente de convergencia al ser de tipo diagonal dominante.
b) Determine si la matriz de transicin de Jacobi cumple la condicin general de convergencia.
Puede calcular los valores caractersticos con la funcin eig de MATLAB
c) Escriba la matriz de transicin del mtodo de Gauss-Seidel y verifique que cumple la condicin
general de convergencia. Puede calcular los valores caractersticos con la funcin eig de
MATLAB
b) Use la funcin Gauss-Seidel para realizar 15 iteraciones. Comente los resultados obtenidos.
18. Con el propsito de analizar las preferencias de los consumidores una empresa ha dividido la
ciudad en 16 cuadrculas. Los resultados de las mediciones se incluyen en el siguiente cuadro.
Sin embargo, en algunas cuadrculas no se pudo realizar la medicin y sus valores se los
estimar mediante un promedio de las cuadrculas que estn inmediatamente a su alrededor. En
el clculo de cada promedio incluya tambin los valores desconocidos adyacentes.
25
28
34
27

30
40
32
35

20
26
43
50

a) Plantee un sistema de ecuaciones para obtener la solucin (valores de las casillas vacas).
b) Si se utiliza el mtodo de Jacobi, determine si se cumple alguna condicin de convergencia
c) Usando notacin matricial y comenzando con un vector con sus cuatro valores iguales al
promedio de los 12 datos conocidos, realice una iteracin con el mtodo de Jacobi.
19. Considere el siguiente sistema [ai,j][xi] = [bi], i = 1, 2, 3; j = 1, 2, 3
-1

En donde ai,j = (i+j) , bi = i


a) Sustituya los valores y formule un sistema de ecuaciones lineales
b) Encuentre la solucin transformando la matriz de coeficientes a la forma de la matriz
identidad. Al mismo tiempo aplique las transformaciones al vector de las constantes y a la matriz
identidad, de tal manera que la matriz identidad se convierta en la inversa de la matriz de
coeficientes.
c) Obtenga el nmero de condicin de la matriz de coeficientes. Indique si es un sistema mal
condicionado.
d) Encuentre una cota para el error relativo de la solucin dependiente del error relativo de la
matriz de coeficientes

131
20. La distribucin de dinero a 16 comunidades se describe en el siguiente cuadro. No fue
posible contactar a cinco comunidades X1, X2, X3, X4, X5 por lo que se decidi asignar a ellas el
promedio del valor asignado a las comunidades que estn a su alrededor, por ejemplo, X1
recibir el promedio de 30 + X2 + X3 + 45 + 50.
Determine cuales son los valores que sern asignados a estas cinco comunidades.
50
45
60
55

X1
X3
X4
20

30
X2
X5
15

40
25
10
35

21. Suponga que en el siguiente modelo f(x) describe la cantidad de personas que son
infectadas por un virus, en donde x es tiempo en das:
2

0.15X

f(x) = k1 x + k2 x + k3 e
En el modelo k1 , k2 y k3 son coeficientes que deben determinarse.
Se conoce la cantidad de personas infectadas en los das 10, 15 y 20:
f(10)=25, f(15)=130, f(20)=650
Plantee un sistema de ecuaciones lineales para determinar los coeficientes y use la solucin
para definir el modelo f(x) para determinar en cual da la cantidad de personas infectadas por el
virus ser 10000. Muestre el grfico de la ecuacin y los valores intermedios calculados.
22. En una regin se desean instalar tres nuevos distribuidores X1, X2, X3 de un producto. En
las cercanas ya existen otros distribuidores: A, B, C, D, E, F, G del mismo producto. En el
grfico, los crculos indican el precio de venta del producto en cada distribuidor. Las lneas
indican con que otros distribuidores estn directamente conectados. Determine el precio de
venta que deben establecer los distribuidores x1, x2, x3, de tal manera que sean el promedio de
los precios de los distribuidores con los que estn directamente conectados.

23. Para probar las propiedades de tres nuevos productos (1, 2, 3) se mezclarn tres
ingredientes (A, B, C) de los que se dispone respectivamente de 23.92, 20.68 y 31.40 Kg.
Cada Kg. del producto se obtiene mezclando los ingredientes de la siguiente forma:
1 Kg. de Producto 1: 0.70 Kg. de A, 0.25 Kg. de B, 0.05 Kg.de C
1 Kg. de Producto 2: 0.20 kg. de A, 0.60 Kg. de B, 0.20 Kg. de C
1 Kg. de Producto 3: 0.16 kg. de A, 0.04 Kg. de B, 0.80 Kg. de C
Se necesita conocer la cantidad de Kg. que se obtendr de cada producto sin que hayan
sobrantes de ingredientes
a) Con los datos formule un sistema de ecuaciones lineales.
b) Determine si el mtodo de Jacobi cumple alguna condicin de convergencia.

132
c) Use notacin matricial para obtener la solucin con el mtodo de Jacobi. Comience con
valores iniciales iguales al promedio de la cantidad disponible de los ingredientes y realice las
iteraciones necesarias hasta que la norma de la diferencia del vector solucin en dos iteraciones
consecutivas sea menor a 0.01
24. La matriz insumo-producto propuesto por W. Leontief, es un modelo muy importante en
Economa. En esta matriz se describe la produccin de los diferentes sectores econmicos y la
demanda interna para satisfacer a estos mismos sectores, expresada como una fraccin de su
produccin. Ejemplo. Suponga que hay tres sectores, A: agricultura, M: manufactura, y S:
servicios y su demanda interna es:
A
M
S
Demanda
Produccin
A
0.42
0.03
0.02
M
0.06
0.37
0.10
S
0.12
0.15
0.19
Sea T el nombre de esta matriz. Para los datos propuestos, en la primera columna de la matriz T,
el sector A requiere 0.4 de su propia produccin, 0.06 del sector M, y 0.12 del sector S, etc.
Sea D el vector de demanda externa de cada sector, y X el vector de la produccin total de
cada sector, requerida para satisfacer las demandas interna y externa:

90
=
140 , X
D =
200

x1
x , en donde x , x , x representan la produccin total de cada sector.
1
2
3
2
x 3

Entonces la ecuacin X = TX + D proporciona la produccin total X para satisfacer las


demandas externa e interna.
a) Formule un mtodo iterativo en notacin vectorial para usar la ecuacin anterior. Indique cual
es el nombre de la matriz T. Determine si el mtodo iterativo es convergente con la norma por
filas.
T
b) Comience con un vector inicial X=[200, 300, 400] realice las iteraciones necesarias hasta que
la norma de la tolerancia sea menor a 1.
c) Resuelva el sistema con el mtodo de eliminacin de Gauss, para lo cual la ecuacin inicial se
la reescribe en la siguiente forma: (I T)X = D, en donde I es la matriz identidad.
d) Calcule el nmero de condicin de la matriz de coeficientes y comente al respecto.

133
25. Las cerchas son estructuras reticuladas con elementos triangulares, usualmente metlicas,
que se utilizan para soportar grandes cargas. Es importante conocer las fuerzas que actan en
cada nodo. Para ello se plantean ecuaciones de equilibrio de fuerzas verticales y horizontales
para cada nodo, las cuales conforman un sistema de ecuaciones lineales.
Determine las fuerzas que actan en cada nodo en la siguiente cercha con las cargas verticales,
en Kg, especificadas en los nodos 2 y 4. La cercha est sostenida en los nodos 1 y 5:

F1, F2, F3, F4, F5, F6, F7 son las fuerzas en los elementos que actan para mantener la
estructura unida, juntando los nodos y evitando que se separen. Sus valores son desconocidos.
Se convendr que si las fuerzas en cada nodo actan hacia la derecha y hacia arriba tienen
signo positivo. H es la fuerza horizontal y V1, V2 son las fuerzas verticales que soportan la
estructura. Sus valores son desconocidos.
Ecuaciones de equilibrio en cada nodo:
Nodo 1:
V1 + F1 sen(45) = 0
H + F1 cos(45) + F2 = 0
Nodo 2:

-F1 sen(45) F3 sen(70) 250 = 0


-F1 cos(45) + F4 + F3 cos(70) = 0

Nodo 3:

F3 sen(70) + F5 sen(60) = 0
-F2 F3 cos(70) + F5 cos(60) + F7 = 0

Nodo 4:

-F5 sen(60) F6 sen(70) 250 = 0


-F4 - F5 cos(60) + F6 cos(70) = 0

Nodo 5:

V2 + F6 sen(70) = 0
-F7 F6 cos(70) = 0

Use una de las funciones instrumentadas en MATLAB para obtener la solucin.

134
26. Se desea conocer la corriente i que fluye en un circuito que incluye una fuente de voltaje V y
resistencias R como se indica en el grfico:

El anlisis se basa en leyes bsicas de la fsica:


a) La suma de la cada de voltaje en un circuito cerrado es cero
b) El voltaje a travs de una resistencia es el producto de su magnitud multiplicado por el valor
de la corriente.
Para determinar el valor de la corriente en cada uno de los ciclos cerrados se conviene que la
corriente es positiva si el sentido es opuesto al sentido del reloj.
Circuito cerrado a la izquierda:
Circuito cerrado arriba a la derecha:
Circuito cerrado abajo a la derecha:
Obtenga la solucin con el mtodo de Gauss

10 i1 + 20 i1 10 i2 20 i3 = 0
30 i2 + 20 i2 10 i1 = 0
20 i3 + 40 i3 20 i2 = 120

135
6

INTERPOLACIN

Para introducir este captulo se analiza un problema para el cual se requiere como modelo un
polinomio de interpolacin.
Problema. La inversin en la promocin para cierto producto en una regin ha producido los
siguientes resultados:
(x, f): (5, 1.2), (10, 2.5), (15, 4.3), (20, 4.0)
En donde x: tiempo invertido en la promocin del producto en horas
f: porcentaje de incremento en las ventas del producto
Se desea usar los datos para determinar la cantidad ptima de horas deberan invertirse en
regiones similares para maximizar la eficiencia de las ventas.
Con los datos obtenidos se debe construir alguna funcin que permita obtener la respuesta y
tambin estimar el error en el resultado.

6.1

El Polinomio de Interpolacin

La interpolacin es una tcnica matemtica que permite describir un conjunto de puntos


mediante alguna funcin. Tambin tiene utilidad cuando se desea aproximar una funcin por
otra funcin matemticamente ms simple.
Dados los puntos (xi, fi), i = 0, 1, 2, . . ., n que pertenecen a alguna funcin f que supondremos
desconocida pero diferenciable, se debe encontrar alguna funcin g para aproximarla.

La funcin g debe incluir a los puntos dados:

g(xi) = fi, i = 0, 1, 2, . . . , n

Por simplicidad se elegir como funcin g, un polinomio de grado no mayor a n:


g(x) = pn (x) = a0 xn +a1xn 1 +. . .+an-1x+an
Este polinomio p se denomina polinomio de interpolacin
Primero se establecern algunos fundamentos bsicos relacionados con el polinomio de
interpolacin.

136
6.1.1

Existencia del polinomio de interpolacin

El polinomio de interpolacin p debe incluir a cada punto dado:


x=x0: pn (x 0 ) = a0 xn0 +a1xn0 1 +. . .+an-1x 0 +an = f0
x=x1:
...
x=xn:

pn (x1 ) = a0 x1n +a1x1n1 +. . .+an-1x1 +an = f1


pn (xn ) = a0 xnn +a1xnn1 +. . .+an-1xn +an = fn

Expresado en notacin matricial


xn0 xn0 1 ... x 0 1 a0 f0
n

n1
... x1 1 a1 f1
x1 x1
=
... ... ... ... ... ... ...
n

n1
... xn 1 an fn
xn xn
La matriz de los coeficientes es muy conocida y tiene nombre propio: Matriz de Vandermonde.
Su determinante se lo puede calcular con la siguiente frmula. La demostracin puede ser hecha
con induccin matemtica.
xn0 xn0 1 ... x 0 1
n

n
x1 xn1 1 ... x1 1

entonces | D | =
Sea
D=
(x j - xi ), i = 1,2,...,n
... ... ... ... ...
=
j 0, j < i
n

n1
... xn 1
xn xn

Ejemplo. Calcule el determinante de la matriz de Vandermonde con n=2


x 20 x 0 1
2

D = x12 x1 1 | D | =
(x j - xi ) = (x0 - x1)(x0 - x2)(x1 - x2)
=
<
j
0,j
i
2
x 2 x 2 1

De la definicin anterior, se concluye que el determinante de esta matriz ser diferente de cero si
los valores de X dados no estn repetidos. Por lo tanto, una condicin necesaria para la
existencia del polinomio de interpolacin es que las abscisas de los datos dados sean diferentes
entre si.
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
a) Encuentre y grafique el polinomio de interpolacin que los incluye.
Con la definicin anterior y usando un mtodo directo se obtiene:
22 2 1 a0 5
a0 -1.1666
2

4
4
1
a
=
6

1 a1 = 7.5
52 5 1 a2 3
a2 -5.3333

137
b) Calcule el nmero de condicin de la matriz.

22

D= 42
52

2 1

4 1
5 1

cond(D) = 341 D es una matriz mal condicionada

En general, la matriz de Vandermonde es una matriz mal condicionada, por lo tanto la solucin
obtenida es muy sensible a los errores en los datos y los clculos involucran el uso de algoritmos
3
de tercer orden: T(n)=O(n )
Existen mtodos para encontrar el polinomio de interpolacin que no utilizan la matriz anterior y
tienen mejor eficiencia.
6.1.2

Unicidad del polinomio de interpolacin con diferentes mtodos

Dados los datos (xi, fi), i = 0, 1, 2, . . ., n, el polinomio de interpolacin que incluye a todos los
puntos es nico.
Demostracin
Suponer que usando los mismos datos y con mtodos diferentes se han obtenido dos polinomios
de interpolacin: p(x), y q(x). Ambos polinomios deben incluir a los puntos dados:
p(xi) = fi , i=0, 1, 2, . . ., n
q(xi) = fi , i=0, 1, 2, . . ., n
Sea la funcin h(x) = p(x) - q(x). Esta funcin tambin debe ser un polinomio y de grado no
mayor a n. Al evaluar la funcin h en los puntos dados se tiene:
h(xi) = p(xi) - q(xi) = fi - fi = 0, i=0, 1, 2, . . ., n
Esto significara que el polinomio h cuyo grado no es mayor a n tendra n+1 races,
contradiciendo el teorema fundamental del lgebra. La nica posibilidad es que la funcin h sea
x[h(x)=0] x[p(x)-q(x)=0] x[p(x) = q(x)]
la funcin cero, por lo tanto,

138
6.2

El polinomio de interpolacin de Lagrange

Dados los datos (xi, fi), i = 0, 1, 2, . . ., n. La siguiente frmula permite obtener el polinomio de
interpolacin:
Definicin: Polinomio de Interpolacin de Lagrange
n

pn (x) =

fi Li (x)

i=0

x-x j
Li (x) =
, i = 0, 1, . . . , n
j=0,j i xi -x j
n

Para probar que esta definicin proporciona el polinomio de interpolacin, la expresamos en


forma desarrollada:

pn (x) = f0L0 (x) + f1L1 (x) + . . . + fi-1Li 1 (x) + fiLi (x) + fi+1Li + 1 (x) + . . . + fnLn (x)

Li (x) =

(x-x 0 )(x-x1 ) . . . (x-xi-1 )(x-xi+1 ) . . . (x-x n )


, i=0,1,...,n
(xi -x 0 )(xi -x1 ) . . . (xi -xi-1 )(xi -xi+1 ) . . . (xi -x n )

De la definicin (2):
Li (xi ) = 1, i=0,1,...,n

(1)
(2)

(Por simplificacin directa)

Li (xk ) = 0 , k=0,1,...,n; k i , (Contiene un factor nulo para algn j = 0, 1, . . . , n; ji)


Sustituyendo en la definicin (1) de pn(x) se obtiene

pn (x 0 ) = f0L0 (x 0 ) + f=
f=
f0
1L1 (x 0 ) + . . . + fnLn (x 0 )
0 (1) + f1 (0) + . . . + fn (0)
pn (x1 ) = f0L0 (x1 ) + =
f1L1 (x1 ) + . . . + fnLn (x1 ) f=
f1
0 (0) + f1 (1) + . . . + fn (0)
...
pn (xn ) = f0L0 (xn ) + f=
f=
fn
0 (0) + f1 (0) + . . . + fn (1)
1L1 (x n ) + . . . + fnLn (x n )
En general:
pn (xi ) = fi ; i = 0, 1, . . . , n
Por otra parte, cada factor Li(x) es un polinomio de grado n, por lo tanto pn(x) tambin ser
un polinomio de grado n con lo cual la demostracin est completa.
6.2.1 Algoritmo del polinomio de interpolacin de Lagrange
Algoritmo: Lagrange
Restriccin: No se verifica la existencia del polinomio de interpolacin
Puntos (datos)
Entra: xi, fi
Sale: p
Polinomio de interpolacin
n numeracon del ltimo punto
p0
Para i 0, 1, , n
L1
Para j 0, 1, , n; (j i)

LL

Fin
p p + fi L
Fin

139
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
Con la frmula de Lagrange, encuentre el polinomio de interpolacin que incluye a estos puntos.
2

p2 (x) =

fL (x) = f L
i

(x) + f1L1 (x) + f2L2 (x) = 5L0 (x) + 6L1 (x) + 3L2 (x)

i=0

Li (x) =

(x-x j )

j=0,j i

(xi -x j )

(x-x j )

L0 (x) =
L1 (x) =

j=0,j 0

(x 0 -x j )

(x-x j )

(x1 -x j )

j=0,j 1

(x-x1 )(x-x 2 )
(x-4)(x-5)
x 2 - 9x+20
=
=
(x 0 -x1 )(x 0 -x 2 )
(2-4)(2-5)
6

(x-x 0 )(x-x 2 )
(x-2)(x-5)
x 2 - 7x+10
=
=
(x1 -x 0 )(x1 -x 2 )
(4-2)(4-5)
-2

(x-x 0 )(x-x1 )
(x-2)(x-4)
x 2 - 6x+8
=
=
(x 2 -x 0 )(x 2 -x1 )
(5-2)(5-4)
3

(x-x j )

L2 (x) =

, i=0, 1, 2

j=0,j 2

(x 2 -x j )

Sustituir en el polinomio y simplificar:

p2 (x) = 5(

x 2 - 9x+20
x 2 - 7x+10
x 2 - 6x+8
7
15
16
) + 6(
) + 3(
) = - x2 +
x6
-2
3
6
2
3

Se puede verificar que este polinomio incluye a los tres puntos dados.
Si nicamente se desea evaluar el polinomio de interpolacin, entonces no es necesario obtener
las expresiones algebraicas Li(x). Conviene sustituir desde el inicio el valor de x para obtener
directamente el resultado numrico.
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
Con la frmula de Lagrange, evale en x = 3, el polinomio de interpolacin que incluye a estos
tres puntos dados.
2

p2 (3) =

fL (3) = f L
i

(3) + f1L1 (3) + f2L2 (3) = 5L0 (3) + 6L1 (3) + 3L2 (3)

i=0

Li (3) =

(3-x j )

j=0,j i

(xi -x j )

(3-x j )

(3-x j )

L0 (3) =

L1 (3) =

j=0,j 0 (x 0 -x j )

j=0,j 1
2

L2 (3) =

, i=0, 1, 2

j=0,j 2

(x1 -x j )
(3-x j )
(x 2 -x j )

(3-x1 )(3-x 2 )
(3-4)(3-5)
=
=1/3
(x 0 -x1 )(x 0 -x 2 )
(2-4)(2-5)

(3-x 0 )(3-x 2 )
(3-2)(3-5)
=
=1
(x1 -x 0 )(x1 -x 2 )
(4-2)(4-5)

(3-x 0 )(3-x1 )
(3-2)(3-4)
=
= -1/3
(x 2 -x 0 )(x 2 -x1 )
(5-2)(5-4)

Finalmente se sustituyen los valores dados de f

p2 (3) = 5(1/3) + 6(1) + 3(-1/3) = 20/3

140
6.2.2

Eficiencia del mtodo de Lagrange

La frmula de Lagrange involucra dos ciclos anidados que dependen del nmero de datos n:
n

pn (x) =

fi Li (x)

i=0
n

Li (x) =

x-x j

j=0,j i x -x
i

i = 0, 1, . . . , n

La evaluacin de esta frmula es un mtodo directo que incluye un ciclo para sumar n+1
trminos. Cada factor Li(x) de esta suma requiere un ciclo con 2n multiplicaciones, por lo tanto,
2
la eficiencia de este algoritmo es T(n) = 2n(n+1) = O(n ), significativamente mejor que el mtodo
3
matricial que involucra la resolucin de un sistema lineal cuya eficiencia es T(n) = O(n ).
6.2.3

Instrumentacin computacional

La siguiente funcin recibe los puntos dados y entrega el polinomio de interpolacin en forma
algebraica usando la frmula de Lagrange. Opcionalmente, si la funcin recibe como parmetro
adicional el valor a interpolar, el resultado entregado es un valor numrico, resultado de la
interpolacin.
x, f:
puntos base para la interpolacin
v:
valor para interpolar (parmetro opcional). Puede ser un vector
t:
variable simblica para construir el polinomo de interpolacin
function p = lagrange(x, f, v)
n=length(x);
if nargin==2
syms t;
%variable para construir el polinomio
else
t=v;
%evaluar el polinomio con el valor dado
end
p=0;
for i=1:n
L=1;
for j=1:n
if i ~= j
L=L*(t-x(j))/(x(i)-x(j));
end
end
p=p+L*f(i);
%entrega p(t) simblico o el valor el valor interpolado
end
if nargin==2
p=expand(p);
%simplificacin algebraica (expandir factores)
end

Esta instrumentacin es una oportunidad para explorar algunas de las caractersticas


interesantes de MATLAB para manejo matemtico simblico:

141
Ejemplo. Use la funcin Lagrange para el ejemplo anterior:
>> x = [2, 4, 5];
Datos
>> f = [5, 6, 3];
>> p=lagrange(x, f)
Obtencin del polinomio de interpolacin
p=
-7/6*t^2+15/2*t-16/3
>> r=lagrange(x, f, 4)
Evaluar p en un punto dado (para verificar)
r=
6
>> r=lagrange(x, f, 4.25)
Evaluar p en un punto desconocido
r=
5.4687
>> plot(x, f, 'o'), grid on
Graficar los puntos
>> hold on, ezplot(p, [2, 5])
Graficar el polinomio sobre los puntos

Encuentre el valor de x para el cual p(x) = 4:


>> g=p-4
g=
-7/6*t^2+15/2*t-28/3
>> s=eval(solve(g))
s=
4.7413
1.6873

(ecuacin que debe resolverse: g(x) = p(x)-4 = 0)

(obtener la solucin con un mtodo MATLAB)

Encuentre el valor mximo de p(x):


>> p=lagrange(x,f)
p=
-7/6*t^2+15/2*t-16/3
>> g=diff(p)
g=
-7/3*t+15/2
>> t=eval(solve(g))
t=
3.2143
>> r=lagrange(x,f,t)
r=
6.7202

(ecuacin que debe resolverse: g(x)=p(x)=0)

(obtener la solucin con un mtodo MATLAB)

(coordenadas del mximo (t, r))

142
6.3 Interpolacin mltiple
Se puede extender la interpolacin a funciones de ms variables. El procedimiento consiste en
interpolar en una variable, fijando los valores de las otras variables y luego combinar los
resultados. En esta seccin se usar el polinomio de Lagrange en un ejemplo que contiene datos
de una funcin que depende de dos variables. No es de inters encontrar la forma analtica del
polinomio de interpolacin que tendra trminos con ms de una variable.
Ejemplo. Se tienen tabulados los siguientes datos f(x,y) de una funcin f que depende de las
variables independientes x, y. Usar todos los datos disponibles para estimar mediante
interpolacin polinomial el valor de f(3,12)
y

10

15

20

3.7

4.2

5.8

7.1

4.1

5.3

6.1

7.9

5.6

6.7

7.4

8.2

Existen solo tres datos en la direccin X, por lo tanto conviene interpolar primero en X con los
datos de cada columna. Se requiere un polinomio de grado dos:
2

p2 (x) =

fL (x) = f L
i

(x) + f1L1 (x) + f2L2 (x) ;

i=0

Li (x) =

(x-x j )

j=0,j i

(xi -x j )

, i=0, 1, 2

No es necesario costruir el polinomio. Se sustituye directamente el valor para interpolar x=3.


2

L0 (3) =

j=0,j 0

L2 (3) =

(x 0 -x j )

(3-x j )

(3-x j )

L1 (3) =

(3-x j )

j=0,j 1 (x 1 -x j )

j=0,j 2 (x 1 -x j )

(3-x1 )(3-x 2 )
(3-4)(3-6)
=
= 3/8
(x 0 -x1 )(x 0 -x 2 )
(2-4))(2-6)

(3-x 0 )(3-x 2 )
(3-2)(3-6)
=
= 3/4
(x1 -x 0 )(x1 -x 2 )
(4-2))(4-6)

(3-x 0 )(3-x1 )
(3-2)(3-4)
=
= -1/8
(x 2 -x 0 )(x 2 -x1 )
(6-2))(6-4)

p2 (3) = f0L0 (3) + f1L1 (3) + f2L2=


(3) f0 (3 / 8) + f1 (3 / 4) + f2 (1/ 8)
Para completar la interpolacin en X, ahora se deben sustituir los datos de cada columna:
y=5:
y=10:
y=15:
y=20:

p2 (3) = 3.7(3 / 8) + 4.1(3 / 4) + 5.6(1/ 8) =


3.7625
p2 (3) = 4.2(3 / 8) + 5.3(3 / 4) + 6.7(1/ 8) =
4.7125
p2 (3) = 5.8(3 / 8) + 6.1(3 / 4) + 7.4(1/ 8) =
5.8250
p2 (3) = 7.1(3 / 8) + 7.9(3 / 4) + 8.2(1/ 8) =
7.5625

143
Con los cuatro resultados se interpola en y = 12 con un polinomio de tercer grado:
y

f(3, y)

10

3.7625

4.7125

p3 (y) =

fL (y) = f L
i

15
5.8250

20
7.5625

(y) + f1L1 (y) + f2L2 (y) + f3L3 (y) ;

i=0

(y-y j )

Li (y) =

j=0,j i (yi -y j )

, i=0, 1, 2, 3

Se sustituye directamente el valor para interpolar con la otra variable: y = 12


3

L0 (12) =

L1 (12) =

j=0,j 0

(y0 -y j )

(12-y j )

j=0,j 1

L3 (12) =

(y1 -y j )

(12-y j )

(12-y j )

L2 (12) =

(12-y j )

j=0,j 2 (y2 -y j )

j=0,j 3 (y2 -y j )

(12-y1 )(12-y2 )(12-y3 )


(12-10)(12-15)(12-20)
=
= -8/125
(y0 -y1 )(y0 -y2 )(y0 -y3 )
(5-10)(5-15)(5-20)

(12-y0 )(12-y2 )(12-y3 )


(12-5)(12-15)(12-20)
=
= 84/125
(y1 -y0 )(y1 -y2 )(y1 -y3 )
(10-5)(10-15)(10-20)

(12-y0 )(12-y1 )(12-y3 )


(12-5)(12-10)(12-20)
=
= 56/125
(y2 -y0 )(y2 -y1 )(y0 -y3 )
(15-5)(15-10)(15-20)

(12-y0 )(12-y1 )(12-y2 )


(12-5)(12-10)(12-15)
=
= -7/125
(y3 -y0 )(y3 -y1 )(y3 -y2 )
(20-5)(20-10)(20-15)

Resultado final:
y=12:

p3 (12) = f0L0 (12) + f1L1 (12) + f2L2 (12) + f3L3 (12)


= (3.7625)(-8/125) + (4.7125)(84/125) + (5.8250)(56 / 125) + (7.5625)(-7 / 125) = 5.1121
f(3, 12) 5.1121

144
6.3.1 Instrumentacin computacional
Para interpolar en dos o ms variable, se puede usar la funcin lagrange para interpolar en una
variable. Al aplicarla en cada direccin se obtienen los resultados parciales. Interpolando con
estos resultados producir el resultado final.
Para el ejemplo anterior:
>> x = [2, 4, 6];
>> f = [3.7, 4.1, 5.6];
>> r1 = lagrange(x, f, 3);
>> f = [4.2, 5.3, 6.7];
>> r2 = lagrange(x, f, 3);
>> f = [5.8, 6.1, 7.4];
>> r3 = lagrange(x, f, 3);
>> f = [7.1, 7.9, 8.2];
>> r4 = lagrange(x, f, 3);

Interpolaciones parciales en x para cada columna de y

>> y = [5, 10, 15, 20];


>> f = [r1, r2, r3, r4];
>> p = lagrange(y, f, 12)
p=
5.1121

Interpolacin en y con los resultados parciales

Resultado final

Si se planea usar este tipo de interpolacin con frecuencia, conviene instrumentar una funcin en
MATLAB para interpolar en dos dimensiones con la frmula de Lagrange.
Esta funcin se llamar lagrange2, y usar internamente a la funcin lagrange para interpolar
con una variable, y con los resultados realizar la interpolacin con la otra variable.
Sean:
x,y:
vectores con valores de las variables independientes X, Y
f:
matriz con los datos de la variable dependiente organizados en filas
u,v:
valores para los cuales se realizar la interpolacin en x e y respectivamente

function p=lagrange2(x, y, f, u, v)
[n,m]=size(f);
for i=1:m
r(i)=lagrange(x, f(:, i), u);
% cada columnas es enviada (resultados parciales)
end
p=lagrange(y, r, v);
% interpolacin final en la otra direccin

Ejemplo. Use la funcin lagrange2 para encontrar la respuesta en el ejemplo anterior


>> x=[2, 4, 6];
>> y=[5, 10, 15, 20];
>> f=[3.7, 4.2, 5.8, 7.1; 4.1, 5.3, 6.1, 7.9; 5.6, 6.7, 7.4, 8.2];
>> p=lagrange2(x, y, f, 3, 12)
p=
5.1121
Resultado final

145
6.4

Error en la interpolacin

Para entender este concepto usaremos un polinomio de interpolacin para aproximar a una
funcin conocida. As puede determinarse en forma exacta el error en la interpolacin.
Ejemplo. Suponga que se desea aproximar la funcin f(x)=e , 0x2, con un polinomio de
segundo grado.
x

Para obtener este polinomio tomamos tres puntos de la funcin f: (0, e ), (1, e ), (2, e ) y
usamos la frmula de Lagrange para obtener el polinomio de interpolacin, con cinco decimales:
2
p2(x) = 1.4762x + 0.24204x+1

a) Encuentre el error en la aproximacin cuando x = 0.5


Si se aproxima f(x) con p2(x) se introduce un error cuyo valor es f(x) p2(x)
0.5
2
f(0.5) p2(0.5) = e 1.4762(0.5) 0.24204(0.5) 1 = 0.1587
b) Encuentre el mximo error en la aproximacin
Si se desea conocer cual es el mximo error en la aproximacin, se debe resolver la
ecuacin
d
x
(f(x) p2 (x)) = 0 e 2.9524x 0.2420 = 0
dx
Con un mtodo numrico se encuentra que el mximo ocurre cuando x = 1.6064.
Entonces el mximo valor del error es: f(1.6064) p2(1.6064) = 0.2133

En el caso general, se tienen los puntos (xi, fi), i=0, 1, ..., n, pero f es desconocida
Sea pn(x) el polinomio de interpolacin, tal que pn(xi) = fi , i=0, 1, ..., n
Suponer que se desea evaluar f en un punto t usando pn como una aproximacin:
f(t) pn(t), t xi, i=0, 1, ..., n
Definicin. Error en la interpolacin

En(t) = f(t) - pn(t)

146
Representacin grfica del error en la interpolacin
pn(t)

...

f(t)

Siendo f desconocida, no es posible conocer el error pues el valor exacto f(t) es desconocido.
En los puntos dados el error es cero: En(xi) = f(xi) pn(xi) = 0, i=0,1,..., n, pero es importante
establecer una cota para el error en la interpolacin en el punto t: En(t) = f(t) pn(t)
6.4.1

Una frmula para estimar el error en la interpolacin

En las aplicaciones comunes, nicamente se conocen puntos de la funcin f si se los usa para
realizar una interpolacin, es importante estimar la magnitud del error. A continuacin se
desarrolla un procedimiento para estimar el error
n

Sean

g(x) =

(x x ) = (x-x0)(x-x1) ... (x-xn),


i

g es un polinomio de grado n+1

i=0

Se define una funcin con algunas propiedades de inters:


h(x) = f(x) pn(x) g(x)En(t)/g(t).
1) h es diferenciable si suponemos que f es diferenciable
2) h(t) = 0
3) h(xi) = 0, i = 0, 1, ..., n
Por lo tanto, h es una funcin diferenciable y la ecuacin
h(x) = 0
tiene n+2 ceros en el intervalo [x0, xn]
Aplicando sucesivamente el Teorema de Rolle:
(n+1)
(x) = 0
tiene al menos 1 cero en el intervalo [x0, xn]
h
Sea z[x0, xn] el valor de x tal que h

(n+1)

(z) = 0

Derivando formalmente la funcin h:


(n+1)
(n+1)
(x) = f
(x) 0 (n+1)! En(t)/g(t)
h
Al evaluar esta funcin con x=z:
(n+1)
(n+1)
(z) = f
(z) 0 (n+1)! En(t)/g(t) = 0
h
Se obtiene finalmente:
(n+1)
(z)/(n+1)!, txi, z[x0, xn]
En(t) = g(t) f
Definicin. Frmula para estimar el error en el polinomio de interpolacin
En(x) = g(x) f

(n+1)

(z)/(n+1)!, xxi, z[x0, xn ]

Siendo g(x) =

(x x )
i

= (x-x0)(x-x1) ... (x-xn)

i=0

Para utilizar esta frmula es necesario poder estimar el valor de f


En el siguiente captulo se introduce una tcnica para estimar f

(n+1)

(n+1)

(z).

(z) usando los puntos de f.

147
6.5

Diferencias finitas

Las siguientes definiciones establecen algunas relaciones simples entre los puntos dados. Estas
definiciones tienen varias aplicaciones en anlisis numrico.
Suponer que se tienen los puntos (xi, fi), i=0, 1, ..., n, tales que las abscisas estn espaciadas
regularmente en una distancia h:
xi+1 - xi = h, i=0, 1, ..., n-1
...

Definiciones
fi = fi+1 - fi ,
1

Primera diferencia finita avanzada:

i = 0,1,2, ...

f0 = f1 - f0
1
f1 = f2 - f1, etc
1

fi = fi+1 - fi , i = 0,1,2, ...


2

Segunda diferencia finita avanzada:

f0 = f1 - f0
2
1
1
f1 = f2 - f1, etc
2

Las diferencias finitas se pueden expresar con los puntos dados:


f0 = f1 - f0 = (f2 - f1) - (f1 - f0) = f2 - 2f1 + f0
2

K-sima diferencia finita avanzada:


fi = fi+1 - fi , i=0,1,2, ..., k=1, 2, 3, ...
k

k-1

k-1

con fi = fi
0

Es til tabular las diferencias finitas en un cuadro como se muestra a continuacin:


i
0
1
2
3
...

xi
x0
x1
x2
x3
...

fi
f0
f1
f2
f3
...

fi
1
f0
1
f1
1
f2
...
...
1

fi
2
f0
2
f1
...
...
...
2

fi
3
f0
...
...
...
...
3

fi
...
...
...
...
...
4

Cada diferencia finita se obtiene restando los dos valores consecutivos de la columna anterior.

148
Ejemplo. Tabule las diferencias finitas correspondientes a los siguientes datos
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8)
i
0
1
2
3

xi
1.0
1.5
2.0
2.5

fi
5
7
10
8

fi
2
3
-2
1

fi
1
-5
2

fi
-6
3

Clculo de diferencias finitas en MATLAB:


La funcin diff de MATLAB proporciona las diferencias finitas de orden sucesivo:
>> f=[5 7 10 8];
>> d1=diff(f)
d1 =
2 3 -2
>> d2=diff(d1)
d2 =
1 -5
>> d3=diff(d2)
d3 =
-6
6.5.1

Relacin entre derivadas y diferencias finitas

Desarrollo de la serie de Taylor de una funcin que suponemos diferenciable, f alrededor de un


punto x0 a una distancia h, con un trmino:
f(x0+h) = f1 = f0 + h f(z), para algn z[x0, x1]
De donde:
f1 f 0 1f0
, para algn z[x0, x1]
=
h
h
Es el Teorema del Valor Medio. Este teorema de existencia, con alguna precaucin, se usa como
una aproximacin para la primera derivada en el intervalo especificado:
=
f '(z)

1f0
es una aproximacin para f en el intervalo [x0, x1].
h

Desarrollo de la serie de Taylor de la funcin f, que suponemos diferenciable, alrededor del


punto x1 hacia ambos a una distancia h, con dos trminos:
h2
f ''(z1 ) , para algn z1[x1, x2]
(1)
f2 = f1 + hf 1 +
2!
h2
f ''(z 2 ) , para algn z2[x0, x1]
(2)
f0 = f1 - hf 1 +
2!
Sumando (1) y (2), sustituyendo la suma f(z1) + f(z2) por un valor promedio 2f(z) y
despejando:
f2 2f1 + f0 2 f0
=
f ''(z) =
, para algn z[x0, x2]
h2
h2
2 f0
es una aproximacin para f en el intervalo [x0, x2]
h2

149
En general,
Definicin. Relacin entre derivadas y diferencias finitas

f (n) (z) =

n f0
hn

, para algn z en el intervalo [x0, xn].

n f0
(n)
es una aproximacin para f en el intervalo [x0, xn].
hn
Si suponemos que f tiene derivadas cuyos valores no cambian significativamente en el intervalo
considerado, esta frmula puede usarse para aproximar sus derivadas. El valor de h debe ser
pequeo, pero si es demasiado pequeo puede aparecer el error de redondeo al restar nmeros
muy cercanos y la estimacin de las derivadas de orden alto no ser aceptable.
Si se usa esta aproximacin para acotar el error, se debera tomar el mayor valor de la diferencia
finita tabulada respectiva. En general, esta aproximacin es aceptable si los valores de las
diferencias finitas en cada columna no cambian significactivamente y tienden a reducirse.

6.5.2

Diferencias finitas de un polinomio

Si la funcin f de donde provienen los datos es un polinomio de grado n, entonces la n-sima


diferencia finita ser constante y las siguientes diferencias finitas se anularn.
Demostracin:
n

Sea f un polinomio de grado n:

n-1

f(x) = a0x + a1x

+ . . . + an

(n)

Su n-sima derivada es una constante:

f (x) = n! a0

Por lo tanto, la n-sima diferencia finita tambin ser constante: fi = h f (x) = h n! a0


n

n (n)

Ejemplo
2
Tabule las diferencias finitas de f(x) = 2x + x + 1, para x = -2, -1, 0, 1, 2, 3
I
0
1
2
3
4
5

xi
-2
-1
0
1
2
3

fi
-5
-1
3
7
11
1

fi
7
2
1
4
11
22

fi
4
4
4
4
2

fi
0
0
0
3

fi
0
0
4

El polinomio de interpolacin coincidir con la funcin, por la propiedad de unicidad.


Ejemplo. Verifique si la siguiente funcin puede expresarse mediante un polinomio en el mismo
dominio.
x

f(x) = 2x +

i2

, x = 1, 2, 3, ...

i=1

Solucin
La funcin con el sumatorio expresado en forma desarrollada:
2

f(x) = 2x + (1 + 2 + 3 + ... + x ), x = 1, 2, 3,

150

Tomando algunos puntos de esta funcin, tabulamos las diferencias finitas:


I
0
1
2
3
4
5

xi
1
2
3
4
5
6

fi
3
9
20
38
65
103

fi
6
11
18
27
38
1

fi
5
7
9
11
2

fi
2
2
2
3

fi
0
0
4

Siendo f(x) una expresin algebraica, y observado que la tercera diferencia finita es constante,
se puede concluir que es un polinomio de grado tres. Para encontrar el polinomio de
interpolacin podemos usar la conocida frmula de Lagrange. Tambin se puede obtener el
polinomio de interpolacin con mtodos basados en los valores tabulados de diferencias finitas.

6.6

El polinomio de interpolacin de diferencias finitas avanzadas

Dado un conjunto de puntos (xi, fi), i=0, 1,, n espaciados en forma regular en una distancia h
y que provienen de una funcin desconocida f(x), pero supuestamente diferenciable, se desea
obtener el polinomio de interpolacin. Si se tienen tabuladas las diferencias finitas se puede
obtener el polinomio de interpolacin mediante un procedimiento de recurrencia y generalizacin.
Suponer que se tienen dos puntos (x0, f0), (x1, f1) con los cuales se debe obtener el polinomio de
primer grado, es decir, la ecuacin de una recta:
p1(x) = a0 + a1(x-x0)
Sustituyendo los dos puntos y despejando a0 y a1 se obtienen, agregando la notacin usual:

a0 = f0
a1
=

f1 f0
1f0
=
x1 x 0
h

p 1(x) =
f0 +

1f0
(x x 0 )
h

En el caso de tener tres puntos (x0, f0), (x1, f1), (x2, f2), se debe obtener el polinomio de segundo
grado. Se propone la siguiente forma para este polinomio:
p2(x) = a0 + a1(x-x0) + a2(x-x0)(x-x1)
Sustituyendo los tres puntos y despejando a0, a1 y a2 se obtienen, incluyendo la notacin
usual:

151
a0 = f0
=
a1

=
a2

1f0
f1 f0
=
x1 x 0
h
f f
f2 f1
1 0
x 2 x1 x 1 x 0
=
x2 x0

1f1 1f0

1f1 1f0 2 f0
h
h
=
=
2h
2h2
2h2

1f0
2 f0
(x x 0 ) +
(x x 0 )(x x1 )
h
2h2

p2 (x) =f0 +

Se puede generalizar para un conjunto de puntos (xi, fi), i=0, 1,, n:


Definicin. Polinomio de diferencias finitas avanzadas o polinomio de Newton
1f0
2 f0
3 f0
(x x 0 ) +
(x x 0 )(x x1 ) +
(x x 0 )(x x1 )(x x 2 ) + ...
2
h
2!h
3!h3

pn (x) =f0 +
+

n f0
n!hn

(x x 0 )(x x1 )...(x xn1 )

Si las diferencias finitas estn tabuladas en forma de un tringulo, los coeficientes del polinomio
de interpolacin se toman directamente de la primera fila del cuadro de datos (fila sombreada):

xi

fi

fi
1

fi
2

fi

x0

f0

f0
1

f0
2

f0
3

f0

x1

f1

f1
1

f1
2

fn
3

f2

f2

f2

x2

fi

x3

f3

f3

xn

fn

Ejemplo. Dados los siguientes puntos: (2, 5), (3, 6), (4, 3), (5, 2), encuentre el polinomio de
interpolacin que incluye a los cuatro datos usando el mtodo de diferencias finitas
El mtodo de diferencias finitas es aplicable pues h es constante e igual a 1
Tabla de diferencias finitas:
i

xi

fi

fi
1

fi
2

fi

-4

-3

-1

152

Polinomio de tercer grado de diferencias finitas:


1f0
2 f0
3 f0
p3 (x) =+
f0
(x x 0 ) +
(x

x
)(x

x
)
+
(x x 0 )(x x1 )(x x 2 )
0
1
h
2!h2
3!h3
Reemplazando los coeficientes, tomados de la primera fila, y simplificando:
1
6
4
p3 (x) =
5 + (x 2) +
(x 2)(x 3) +
(x 2)(x 3)(x 4)
2
1
2(1 )
3!(13 )
=x 3 11x 2 + 37x 33

6.6.1

Prctica computacional

Obtencin del polinomio de diferencias finitas mediante comandos de MATLAB


Datos: (2, 5), (3, 6), (4, 3), (5, 2)
>> x=[2 3 4 5];
>> f=[5 6 3 2];
Clculo de diferencias finitas
>> d1=diff(f)
d1 =
1
-3
>> d2=diff(d1)
d2 =
-4
2
>> d3=diff(d2)
d3 =
6

-1

Obtencin del polinomio de interpolacin mediante sustitucin directa


>> syms t
>> p=5+1/1*(t-2) + (-4)/(2*1^2)*(t-2)*(t-3) + 6/(6*1^3)*(t-2)*(t-3)*(t-4)
p=
t - (2*t - 4)*(t - 3) + (t - 2)*(t - 3)*(t - 4) + 3
Simplificacin algebraica
>> p=expand(p)
p=
t^3 - 11*t^2 + 37*t 33
Graficacin de los puntos y del polinomio
>> plot(x,f,'o'),grid on,hold on
>> ezplot(p,[2,5])
>> axis([0,5,0,7])

153
(

)(

)(

)(

0
0

3
t

Evaluar p(2.5) con el polinomio de interpolacin


>> q=inline(p);
>> y=q(2.5)
y=
6.3750
Interpolacin inversa: hallar t tal que p(t)=4, con el mtodo de Newton
>> h=p-4;
>> g=inline(t-h/diff(h));
>> t=3.6;
>> t=g(t)
t=
3.6892
>> t=g(t)
t=
3.6889
>> t=g(t)
t=
3.6889
6.6.2

Eficiencia del polinomio de interpolacin de diferencias finitas

Forma original del polinomio de interpolacin de diferencias finitas avanzadas:


1f0
2 f0
3 f0
pn (x) =f0 +
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 ) + ...

+
0
1
h
2!h2
3!h3
+

n f0

(x x 0 )(x x1 )...(x xn1 )


n!hn
La evaluacin de este polinomio es un mtodo directo en el que se suman n+1 trminos. Cada
trmino de esta suma requiere una cantidad variable de multiplicaciones en las que aparece el
2
valor x que se interpola. Entonces la eficiencia de este algoritmo es: T(n) = O(n ), similar a la
frmula de Lagrange, y significativamente mejor que el mtodo matricial que involucra la
3
resolucin de un sistema de ecuaciones lineales cuya eficiencia es T(n) = O(n ).

Sin embargo, el polinomio de diferencias finitas puede escribirse en forma recurrente:


pn (x) = f0 +

(x x 0 )
h

( 1f0 +

(x x1 )
2h

( 2 f0 +

(x x 2 )
3h

( 3 f0 + ... +

(x xn 2 )
(n 1)h

( n 1f0 +

Entonces, el polinomio puede expresarse mediante un algoritmo recursivo:

(x xn 1 )
nh

n
f0 )...)))

154
p0 = n f0
n 1f0 +
p1 =

(x x n 1 )

p0
nh
(x x n 2 )
n 2 f0 +
p2 =
p1
(n 1)h
.
.
1f0 +
pn 1 =

(x x 1 )

pn 2
2h
(x x 0 )
0 f0 +
siendo 0 f0 =
pn =
pn 1 ,
f0
h
La evaluacin del polinomio con este procedimiento requiere 2n sumas y restas y 3n
multiplicaciones y divisiones: T(n) = O(n). Esto constituye una mejora significativa con respecto
a los mtodos anteriores. Sin embargo, la tabulacin de las diferencias finitas tiene eficiencia
2
O(n ) pero nicamente contiene restas y debe calcularse una sola vez para interpolar en otros
puntos.

Ejemplo. Dados los siguientes puntos: (1.2, 5), (1.4, 6), (1.6, 3), (1.8, 2), use el algoritmo
recursivo anterior para evaluar en x=1.5 el polinomio de interpolacin que incluye a los cuatro
datos.
Tabla de diferencias finitas:
i

xi

fi

fi
1

fi
2

fi

1.2

-4

1.4

-3

1.6

-1

1.8

p0 = 6

p 0 = 3 f0
p1 =
2 f0 +
p2 =
1f0 +
p3 =
0 f0 +

(x x 2 )
3h
(x x 1 )
2h
(x x 0 )
h

p1 =4 +

p0
p1
p2

p2 =
1+
p3 =
5+

(1.5 1.6)

6 =5

3(0.2)

(1.5 1.4)

( 5) =
0.25

2(0.2)
(1.5 1.2)
0.2

( 0.25) =
4.625

155
6.6.3

El error en el polinomio de interpolacin de diferencias finitas

Polinomio de interpolacin de diferencias finitas avanzadas:


1f0
2 f0
3 f0
pn (x) =f0 +
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 ) + ...

+
0
1
h
2!h2
3!h3
+

n f0
n!hn

(x x 0 )(x x1 )...(x xn1 )

Se tiene el error en el polinomio de interpolacin:

En (x) = g(x)

f (n+ 1) (z)
, xxi, z[x0, xn ] ,
(n + 1)!

siendo g(x) = (x-x0)(x-x1) ... (x-xn)

Si los puntos estn regularmente espaciados a una distancia h, se estableci una relacin entre
las derivadas de f y las diferencias finitas:
n f
f (n) (t) = n 0 , para algn t en el dominio de los datos dados
h
Es una aproximacin para la derivada si no cambia significativamente y h es pequeo.
Extendiendo esta relacin a la siguiente derivada y sustituyendo en la frmula del error en la
interpolacin
n+ 1f
n+ 1f
f (n+ 1) (z)
En (x) =
g(x)
(x x 0 )(x x1 )...(x xn ) n+ 1 0
g(x) n+ 1 0
=
(n + 1)!
h (n + 1)!
h (n + 1)!
Si se compara con el polinomio de diferencias finitas avanzadas se observa que el error en la
interpolacin es aproximadamente igual al siguiente trmino que no es incluido en el polinomio
de interpolacin.

Definicin. Estimacin del error en el polinomio de interpolacin de diferencias finitas


En (x)

n+ 1f0

n+ 1

(n + 1)!

(x x 0 )(x x1 )...(x xn )

Si se toman n+1 puntos para construir el polinomio de interpolacin de grado n, y los puntos
(n+1)
( ) es cero y tambin n f , por lo tanto
provienen de un polinomio de grado n, entonces el f
En(x) tambin es cero, en forma consistente con la propiedad de unicidad del polinomio de
interpolacin.

156
Ejemplo. Para aplicar esta definicin se usan los siguientes datos
i
0
1
2
3
4

xi
0.0
0.1
0.2
0.3
0.4

fi
1.000000
1.110517
1.244281
1.404958
1.596730

fi
0.110517
0.133764
0.160677
0.191772
1

fi
0.023247
0.026913
0.031095
2

fi
0.003666
0.004182
3

fi
0.000516
4

En la tabla puede observarse que las diferencias finitas tienden a reducir su valor, entonces un
polinomio de interpolacin es una aproximacin adecuada para esta funcin. Adicionalmente, las
diferencias finitas en cada columna tienen valores de similar magnitud, por lo tanto se pueden
usar para estimar a las derivadas.
El grado del polinomio de interpolacin depende del error que toleramos y su valor est
relacionado directamente con el orden de la diferencia finita incluida.
Supongamos que deseamos evaluar el polinomio de interpolacin en x = 0.08 usando el
polinomio de diferencias finitas avanzadas de segundo grado.
1f0
2 f0
f(x) p2 (x) =f0 +
(x x 0 ) +
(x x 0 )(x x1 )
h
2!h2
0.110517
0.023247
f(0.08) p2 (0.08) =
1+
(0.08 0) +
(0.08 0)(0.08 0.1) =
1.086554
0.1
2(0.1)2
Estimar el error en la interpolacin:
3 f0
E2 (x)
(x x 0 )(x x1 )(x x 2 )
3!h3
0.003666
E2 (0.08)
(0.08 0)(0.08 0.1)(0.08 0.2) =
0.0001173
3!0.13
Para comparar, calculemos el valor exacto de f(0.08) con la funcin de la cual fueron tomados
x
los datos: f(x) = x e + 1
0.08

f(0.08) = 0.08 e

+ 1 = 1.086663

El error exacto es
1.083287 1.086554 = 0.0001089
El valor calculado con el polinomio de interpolacin de segundo grado concuerda muy bien con
el valor exacto.

157
6.6.4

Forma estndar del polinomio de interpolacin de diferencias finitas

El polinomio de interpolacin de diferencias finitas avanzadas:


1f0
2 f0
3 f0
pn (x) =f0 +
(x x 0 ) +
(x
x
)(x
x
)
(x x 0 )(x x1 )(x x 2 ) + ...

+
0
1
h
2!h2
3!h3
+

n f0
n!hn

(x x 0 )(x x1 )...(x xn1 )

Puede re-escribirse usando la siguiente sustitucin: S =

x x0
h

1f0
(x x 0 ) =
1f0 S
h
2 f0
2 f0
2 f0 (x x 0 ) (x x 0 h) 2 f0
(x

x
)(x

x
)
=
(x

x
)(x

(x
+
h))
=
=
S(S 1)
0
1
0
0
h
h
2!
2!h2
2!h2
2!h2
.
. (sucesivamente)
.

Mediante recurrencia se puede generalizar:


2 f0
3 f0
n f0
pn (S) =
f0 + 1f0 S +
S(S 1) +
S(S 1)(S 2) + ... +
S(S 1)(S 2)...(S n + 1)
2!
3!
n!
Con la definicin del coeficiente binomial

S S(S 1)(S 2)...(S i + 1)


=
i!
i
Se obtiene una forma compacta para el polinomio de interpolacin de diferencias finitas:
Definicin. Forma estndar del polinomio de interpolacin de diferencias finitas

S
S
S
S
pn (S) =f0 + 1f0 + 2 f0 + 3 f0 + ... + n f0 =
1
2
3
n

i i f0
i= 0

Tambin se puede expresar con esta notacin el error en la interpolacin:


En (x)

n+ 1f0

hn+ 1(n + 1)!

(x x 0 )(x x1 )...(x xn )

Sustituyendo la definicin S =

x x0
:
h

n+ 1f0
(n + 1)!
Que finalmente se puede expresar de la siguiente forma
En (S) S(S 1)(S 2)...(S n)

Definicin. Estimacin del error en el polinomio de interpolacin de diferencias finitas

S n+ 1
x x0
En (S)
f0 , S
, x xi
=
h
n + 1

158

6.7

El polinomio de interpolacin de diferencias divididas

Dado un conjunto de puntos (xi, fi), i=0, 1,, n espaciados en forma arbitraria y que provienen
de una funcin desconocida f(x) pero supuestamente diferenciable, se desea obtener el
polinomio de interpolacin.
Una forma alternativa al mtodo de Lagrange es el polinomio de diferencias divididas cuya
frmula se la puede obtener mediante un procedimiento de recurrencia. La frmula resultante es
ms eficiente que la frmula de Lagrange pues en promedio requiere menos operaciones
aritmticas.
Suponer que se tienen dos puntos (x0, f0), (x1, f1) con los cuales se debe obtener el polinomio de
primer grado, es decir, la ecuacin de una recta:
p1(x) = a0 + a1(x-x0)
Sustituyendo los dos puntos, despejando a0 y a1 y adoptando una nueva notacin se obtiene:

a=
f=
f[x 0 ]
0
0
=
a1

f1 f0
=
f[x 0:1 ]
x1 x 0

p1(x) =
f[x 0 ] + f[x 0:1 ](x x 0 )

f1 f0
f[x1 ] f[x 0 ]
=
denota la primera diferencia dividida en el rango [x0, x1]
x1 x 0
x1 x 0

=
f[x 0:1 ]

La diferencia dividida f[x 0:1 ] es una aproximacin para f( ) en el intervalo [x0, x1]
En el caso de tener tres puntos (x0, f0), (x1, f1), (x2, f2), se debe obtener un polinomio de segundo
grado. Se propone la siguiente forma para este polinomio:
p2(x) = a0 + a1(x-x0) + a2(x-x0) (x-x1)
Sustituyendo los tres puntos y despejando a0, a1 y a2 se obtienen:

a=
f=
f[x 0 ]
0
0
=
a1

=
a2

f1 f0
f[x1 ] f[x 0 ]
=
= f[x 0:1 ]
x1 x 0
x1 x 0
f f
f2 f1
1 0
x 2 x1 x 1 x 0 f[x1:2 ] f[x 0:1 ]
= = f[x 0:2 ]
x2 x0
x2 x0

p2 (x)= f[x 0 ] + f[x 0:1 ](x x 0 ) + f[x 0:2 ](x x 0 )(x x1 )

f[x 0:2 ] =

f[x1:2 ] f[x 0:1 ]


denota la segunda diferencia dividida en el rango [x0, x2]
x2 x0

159
Al extender la recurrencia y generalizar al conjunto de puntos (xi, fi), i=0, 1,, n se tiene:

f[x 0 : n ] =

f[x1 : n ] f[x 0 : n-1 ]


xn x 0

n-sima diferencia dividida en el punto x0 en el rango [x0, xn]


Definicin. Polinomio de diferencias divididas

pn (x)= f[x 0 ] + f[x 0 : 1 ](x x 0 ) + f[x 0 : 2 ](x x 0 )(x x1 ) + f[x 0 : 3 ](x x 0 )(x x1 )(x x 2 ) + ...
+ f[x 0 : n ](x x 0 )(x x1 ) ... (x xn1 )

Es conveniente tabular las diferencias divididas en forma de un tringulo en el que cada columna
a la derecha se obtiene de la resta de los dos valores inmediatos de la columna anterior. Este
resultado debe dividirse para la longitud del rango de los datos incluidos en el rango.
Los coeficientes del polinomio de interpolacin sern los valores resultantes colocados en la
primera fila del cuadro tabulado (fila sombreada):
Para la tabulacin, la frmula se puede extender a cada punto i:

f[xi : i+k ] =

f[xi+1 : i+k ] f[xi : i+k-1 ]


xi+k xi

k-sima diferencia dividida en el punto i en el rango [xi, xi+k]

xi

f[xi]

f[xi:i+1]

f[xi:i+2]

f[xi:i+3]

f[xi:i+4]

x0

f[x0]

f[x0:1]

f[x0:2]

f[x0:3]

f[x0:4]

x1

f[x1]

f[x1:2]

f[x1:3]

f[x1:4]

x2

f[x2]

f[x2:3]

f[x2:4]

x3

f[x3]

f[x3:4]

x4

f[x4]

160
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3), (7, 2), encuentre y grafique el
polinomio de interpolacin que incluye a los cuatro datos, usando el mtodo de diferencias
divididas:
Tabla de diferencias divididas:
i

xi

f[xi]

f[xi : i+1]

f[xi : i+2]

65 1
=
42 2

3 1/ 2
7
=
52
6

36
= 3
54
23
1
=
75
2

1/ 2 (3) 5
=
74
6

f[xi : i+3]

5 / 6 (7 / 6) 2
=
72
5

Polinomio de tercer grado de diferencias divididas:

p3 (x) = f[x 0 ] + f[x 0 : 1 ](x x 0 ) + f[x 0 : 2 ](x x 0 )(x x1 ) + f[x 0 : 3 ](x x 0 )(x x1 )(x x 2 )
Reemplazando los coeficientes, tomados de la primera fila, y simplificando:
p3 (x) =+
5 (1/ 2)(x 2) + (7 / 6)(x 2)(x 4) + (2 / 5)(x 2)(x 4)(x 5)
2
167 2 227
64
= x3
x +
x
5
30
10
3

Grfico del polinomio:


(

8
7
6
5
4
3
2
1
0

4
x

161
6.7.1

El error en el polinomio de interpolacin de diferencias divididas

Polinomio de diferencias divididas


pn (x)= f[x 0 ] + f[x 0:1 ](x x 0 ) + f[x 0:2 ](x x 0 )(x x1 ) + f[x 0:3 ](x x 0 )(x x1 )(x x 2 ) + ...
+ f[x 0:n ](x x 0 )(x x1 )...(x xn1 )

Error en el polinomio de interpolacin:


f (n+ 1) (z)
En (x) = g (x)
, xxi, z[x0, xn ]
(n + 1)!

, siendo g(x) = (x-x0)(x-x1) ... (x-xn)

Si los puntos estuviesen igualmente espaciados en una distancia h se tendra

f[x
=
0:n ]

f[x1:n ] f[x 0:n1 ] n f0 f (n) (z)


=

xn x 0
n!hn
n!

En el polinomio de diferencias divididas, h sera el cociente promedio de las n distancias entre


las abscisas de los datos.
Extendiendo esta relacin a la siguiente derivada y sustituyendo en la frmula del error en la
interpolacin
f (n+ 1) (z)
g(x)f[x 0:n+ 1 ] =
En (x) =
g(x)
(x x 0 )(x x1 )...(x xn )f[x 0:n+ 1 ]
(n + 1)!
Si se compara con el polinomio de diferencias divididas se observa que el error en el polinomio
de interpolacin es aproximadamente igual al siguiente trmino del polinomio que no es incluido.

162
6.8

El polinomio de mnimos cuadrados

Dados los puntos (xi, fi), i = 1, 2,..., n, que corresponden a observaciones o mediciones. Si se
considera que estos datos contienen errores y que es de inters modelar nicamente su
tendencia, entonces el polinomio de interpolacin no es una buena opcin. Una alternativa es el
polinomio de mnimos cuadrados. Estos polinomios tienen mejores propiedades para realizar
predicciones o extrapolaciones.
Si los datos tienen una tendencia lineal, la mejor recta ser aquella que se coloca entre los
puntos de tal manera que se minimizan las distancias de los puntos dados a esta recta, la cual
se denomina recta de mnimos cuadrados y se la obtiene con el siguiente procedimiento:
Para cada valor xi se tiene el dato fi y el valor p(xi) obtenido con la recta de mnimos cuadrados.
Sea p(x) = a1 + a2x la recta de mnimos cuadrados
Si ei = fi - p(xi) es la diferencia entre el dato y el punto de la recta de mnimos cuadrados.,
2

entonces, el objetivo es minimizar e i para todos los puntos. El cuadrado es para considerar
distancia, no importa si el punto est sobre o debajo de la recta
Criterio de para obtener la recta de mnimos cuadrados
n

n
2
i
=i 1=i 1

Minimizar

S=

n
2
i
=i 1

e = (f p(x )) = (f a
i

a 2 x)2

Para minimizar esta funcin S cuyas variables son a1, a2 se debe derivar con respecto a cada
variable e igualar a cero:
n
n
n
S
2

+
=
f
a
a
x
0
na
a
x
=0:
(
)
i 1 2 i
fi
1
2 i
a 1 i 1
a 1
=
=i 1=i 1
n
n
n
n
S
2
= 0:
( fi a1 a2 xi ) =0 a1 xi + a2 xi2 = xi fi

a 2 i 1
a 2
=
=i 1 =i 1=i 1

De esta manera se obtiene el sistema de ecuaciones lineales:


n

a1n + a 2 xi =
fi
=i 1=i 1

a1 xi + a 2 xi2 =
xi fi

=i 1

=i 1=i 1

De donde se obtienen los coeficientes a1 y a2 para la recta de mnimos cuadrados:


p(x) = a1 + a2 x

163
Ejemplo
Los siguientes datos corresponden a una muestra de 5 estudiantes que han tomado cierta
materia. Los datos incluyen la calificacin parcial y la calificacin final. Se pretende encontrar un
modelo que permita predecir la calificacin final que obtendra un estudiante dada su calificacin
parcial.
Estudiante
1
2
3
4
5

Nota Parcial
43
64
38
57
30

Nota final
75
82
70
76
68

Representacin de los datos en un diagrama

Se observa que los datos tienen aproximadamente una tendencia lineal

El polinomio de interpolacin no es til pues no muestra de manera simple la tendencia de los


datos. Los datos son obervaciones contenidos en una muestra, por lo tanto no representan de
manera exacta a todo el posible conjunto de datos, pero es de inters la tendencia.
Obtencin de la recta de mnimos cuadrados
5

5a1 + a 2 xi =
fi
=i 1=i 1

a1 xi + a 2 xi2 =
xi fi

=i 1

=i 1=i 1

5a1 + 232a 2 = 371


232a1 + 11538a 2 = 17505

164
De donde se obtiene la recta de mnimos cuadrados
p(x) = a1 + a2 x = 56.7610 + 0.3758 x
Cuyo forma se muestra en el siguiente grfico:

La recta de mnimos cuadrados representa mejor la tendencia de los datos considerando


adems que no son observaciones exactas. Las interpolaciones o predicciones seran ms
apropiadas
El estudio detallado de este modelo se denomina Regresin Lineal y permite establecer criterios
acerca de la calidad de la representacin de los datos con la recta de mnimos cuadrados.
Adicionalmente, mediante una transformacin se puede representar mediante la recta de
mnimos cuadrados, algunos conjuntos de datos que tienen tendencia aproximadamente lineal.
Obtencin de la recta de mnimos cuadrados con los datos propuestos

6.8.1

Prctica computacional

Obtencin de la recta de mnimos cuadrados mediante comandos directos de MATLAB


>> x=[30 38 43 57 64];
>> f=[68 70 75 76 82];
>> plot(x,f,'o'),grid on,hold on
>> p=lagrange(x,f);
>> ezplot(p,[30,64])
>> d=[length(x) sum(x); sum(x) sum(x.^2)]
d=
5
232
232
11538
>> c=[sum(f); sum(x.*f)]
c=
371
17505
>> a=inv(d)*c
a=
56.7610
0.3758
>> syms t
>> p1=a(1)+a(2)*t;
>> ezplot(p1,[30,64])

Grfico de los datos


El polinomio de interpolacin

La recta de mnimos cuadrados


Su grfico

165
6.9 Ejercicios y problemas con el polinomio de interpolacin
1. Los siguientes datos son observaciones de los ingresos f en base al monto de inversin x
realizada en cierto negocio (miles de dlares): (5.5, 83.0), (8.2, 94.5), (12.4, 105.0), (19.0, 92.0)
a) Encuentre el polinomio de interpolacin de tercer grado con la frmula de Lagrange
Con este polinomio determine:
b) La ganancia que se obtiene si la inversin fuese 15.0
c) Cuanto habra que invertir si se desea una ganancia de 100.0
d) Para que valor de inversin se obtiene la mxima ganancia.
2. Encuentre un polinomio de interpolacin para expresar en forma exacta la suma de los cubos
de los primeros k nmeros naturales:
3

s(k) = 1 + 2 + 3 + . . . + k ,

k = 1, 2, 3, 4,

Obtenga puntos de s(k), k=1,2,3,4 Construya sucesivamente el polinomio de interpolacin con


2, 3, 4, puntos, hasta que el polinomio no cambie. Este polinomio ser exacto pues s(k) es
una expresin algebraica.
3. Los siguientes datos pertenecen a la curva de Lorentz, la cual relaciona el porcentaje de
ingreso econmico global de la poblacin en funcin del porcentaje de la poblacin:
% de poblacin
25
50
75
100

% de ingreso global
10
25
70
100

Ej. El 25% de la poblacin tiene el 10% del ingreso econmico global.


a) Use los cuatro datos para construir un polinomio para expresar esta relacin
b) Con el polinomio determine el porcentaje de ingreso econmico que le corresponde al 60% de
la poblacin
c) Con el polinomio determine a que porcentaje de la poblacin le corresponde el 60% de ingreso
econmico global. Resuelva la ecuacin resultante con el mtodo de Newton
4. Se han registrado los siguientes datos del costo total c(x), en dlares, de fabricacin de x
unidades de cierto artculo: (x, c(x)): (10, 358), (20, 1268), (30, 2778), (40, 4888), (50, 7598)
a) Mediante el polinomio de interpolacin encuentre una funcin para expresar c(x)
b) El costo medio por unidad q(x) es el costo total c(x) dividido por el nmero de unidades
producidas: q(x) = c(x)/x. Encuentre el nivel de produccin x en el cual el costo medio por
unidad es el menor
5. Los siguientes datos representan la medicin de la demanda f de un producto durante cinco
semanas consecutivas t:
t = [1, 2 , 3, 4, 5]
f = [24, 45, 62, 65, 58]
Use todos los datos dados para calcular los siguientes resultados y estimar el error en sus
respuestas:

166
a) Encuentre la demanda en la semana 3.5
b) Encuentre en que da la demanda fue 50
c) Encuentre en que da se tuvo la mayor demanda
6. Suponga que en el siguiente modelo f(x) describe la cantidad de personas que son
2
0.1X
infectadas por un virus: f(x) = a x + b x + c e
, en donde x es tiempo en das.
Siendo a, b, c coeficientes que deben determinarse.
Se conoce que la cantidad de personas infectadas en los das 0, 5 y 10 son respectivamente:
f(0)=1, f(5)=4, f(10)=20
a) Plantee un sistema de ecuaciones lineales y resulvalo para determinar los coeficientes.
b) Use el modelo f(x) para determinar en cual da la cantidad de personas infectadas por el virus
ser 1000. Obtenga la solucin con el mtodo de la Biseccin. Previamente encuentre un
intervalo de convergencia y obtenga la respuesta con un decimal exacto. Muestre los valores
intermedios calculados hasta llegar a la solucin.
x

7. La funcin de variable real f(x)=cos(x)e + 1, , ser aproximada con el polinomio


de segundo grado p(x) que incluye a los tres puntos f(0), f(/), f().
a) Determine el error en la aproximacin si x = /4
b) Encuentre la magnitud del mximo error E(x)=f(x)-p(x), que se producira al usar p(x) como
una aproximacin a f(x). Resuelva la ecuacin no lineal resultante con la frmula de Newton
con un error mximo de 0.0001
5. Dados los puntos (x, f(x)): (0.1, 0.501105), (0.2, 0.504885), (0.3, 0.512148), (0.4, 0.523869),
(0.5, 0.541218) que corresponden a una funcin diferenciable
a) Encuentre el valor aproximado de f(0.12) con un polinomio de tercer grado.
b) Estime el error en la interpolacin con la frmula del error en la interpolacin.
8. Dados los puntos (x,f(x)) de una funcin:
x : 1.0000 1.1000 1.2000 1.3000 1.4000 1.5000 1.6000
f(x) : 2.2874 2.7726 3.2768 3.7979 4.3327 4.8759 5.4209
a) Encuentre el valor de f(1.55) con un polinomio de tercer grado.
b) Estime el error en el resultado obtenido con la frmula del error en la interpolacin.
9. Luego de efectuarse un experimento se anotaron los resultados f(x) y se tabularon las
diferencias finitas. Accidentalmente se borraron algunos valores quedando nicamente lo que se
muestra a continuacin:
2
3
4
xi
fi
fi
fi
fi
fi
1.3
1.5
1.7
1.9
2.1

3.534
-----------------------------

-----------------------------

0.192
---------------

0.053
--------

0.002

Tambin se haba hecho una interpolacin con un polinomio de primer grado en x = 1.4
obtenindose como resultado de la interpolacin el valor 4.0755

167
a) Con los datos suministrados reconstruya la tabla de diferencias finitas
b) Encuentre el valor de f(1.62) con un polinomio de interpolacin de diferencias finitas de tercer
grado, y estime el error en la interpolacin.
c) Encuentre el valor de x tal que f(x) = 5.4 con un polinomio de interpolacin de diferencias
finitas de tercer grado. Para obtener la respuesta debe resolver una ecuacin cbica. Use el
Mtodo de Newton y obtenga el resultado con cuatro decimales exactos. Previamente encuentre
un intervalo de convergencia.
10. La suma de los cuadrados de los primeros k nmeros pares:
2
2
2
2
s(k) = 2 + 4 + 6 + . . . . + (2k)
Se puede expresar exactamente mediante un polinomio de interpolacin.
a) Encuentre el polinomio de interpolacin con el polinomio de diferencias finitas
b) Calcule s(100) usando el polinomio.
11. Se registraron los siguientes datos de la cantidad de producto obtenido experimentalmente
en parcelas de cultivo en las que se suministraron tres cantidades diferentes de fertilizante tipo 1
y cuatro cantidades diferentes de fertilizante tipo 2:

Fert. 1
1.0
1.5
2.0

Fertilizante 2
1.4
1.6
7.8
7.5
8.6
9.2
9.6
9.3

1.2
7.2
8.2
9.5

1.8
7.3
9.0
8.6

Use todos los datos dados para determinar mediante una interpolacin polinomial con el mtodo
de Lagrange, la cantidad de producto que se obtendra si se usaran 1.2 de fertilizante 1 y 1.5
de fertilizante 2.
12. Una empresa que vende cierto producto ha observado que su demanda depende del precio
al que lo vende (P en $/unidad) y tambin del precio al que la competencia vende un producto de
similares caractersticas (Q en $/unidad). Recopilando informacin histrica respecto a lo que ha
sucedido en el pasado se observ que la demanda diaria (unidades vendidas por da) de este
producto fueron de:
P

1
1.1
1.2
1.3

1.1

1.2

100
110
120
130

91
100
109
118

83
92
100
108

Use todos los datos dados y el polinomio de interpolacin de Lagrange para estimar los
ingresos mensuales de la empresa por la venta de este producto si decide venderlo a $1.15
por unidad y conoce que la competencia estableci un precio de $1.25 por unidad.

168
13. Se han registrado los siguientes datos del crecimiento demogrfico V de los individuos en
una regin en donde x es tiempo en meses
x = [5, 10, 15, 20]
V = [12, 25, 80, 200]
Observando el crecimiento rpido de los valores de V se ha propuesto el siguiente modelo
exponencial: V = c (d)

a) Encuentre las constantes c, d del modelo propuesto con el siguiente procedimiento:


Grafique los puntos (x, ln(V)) y observe que estos puntos tienen una tendencia lineal, por lo
tanto se puede usar el mtodo de mnimos cuadrados para obtener la recta Y = a + bx con
los puntos (x, y), siendo y = ln(V).
x

Para determinar c, d tome logaritmo natural a la ecuacin V = c (d) . Se obtendr la


ecuacin de una recta. Compare esta recta con la recta de mnimos cuadrados que obtuvo
anteriormente y deduzca finalmente el valor para las constantes c, d del modelo propuesto.
b) Con el modelo propuesto, pronostique cuantos individuos habrn en el mes 25
c) Con el modelo propuesto, determine en que mes habrn 150 individuos

169
6.10 El trazador cbico
El polinomio de interpolacin es til si se usan pocos datos y estos tienen un comportamiento
tipo polinomial. Normalmente, un polinomio de grado bajo es una representacin adecuada de
los datos. Si no se cumplen estas condiciones, el polinomio puede tomar una forma
distorsionada y en algunos casos puede ser inaceptable como un modelo para representar a los
datos, como se muestra en el siguiente ejemplo:
Ejemplo. Se tienen cinco observaciones y se desea construir con estos datos un modelo cuyo
perfil tenga una forma tipo campana aproximadamente: (2, 4), (4,6), (5,8), (6,7), (8,4)
Con el mtodo de Lagrange obtenemos el polinomio
4
3
2
p(x) = 19/144 x 389/144 x + 1375/72 x 484/9 x + 164/3
El grfico se muestra a continuacin

2
2

5
t

Se observa que en los intervalos izquierdo y derecho la forma del polinomio no es apropiada
para expresar la tendencia de los datos.
Una opcin pudiera ser colocar polinomios de interpolacin en tramos. Por ejemplo un polinomio
de segundo grado con los puntos (2, 4), (4,6), (5,8), y otro polinomio de segundo grado con los
puntos (5,8), (6,7), (8,4). Sin embargo, en el punto intermedio (5, 8) en el que se uniran ambos
polinomios de segundo grado se tendra un cambio de pendiente inaceptable.
Una mejor opcin consiste en usar el trazador cbico. Este dispositivo matemtico equivale a
la regla flexible que usan algunos dibujantes y que permite acomodarla para seguir de una
manera suave la trayectoria de los puntos sobre un plano.
6.10.1 El trazador cbico natural
Dados los puntos (xi, yi), i = 1, 2, ..., n, el trazador cbico natural es un conjunto de n-1
polinomios de grado tres colocados uno a uno entre cada par de puntos consecutivos, de tal
manera que haya continuidad, manteniendo igual pendiente y curvatura con los polinomios de
intervalos adyacentes.
Definicin:

Trazador cbico natural T(x)

a1(x x 1)3 + b1(x x1 )2 + c1(x x1 ) + d1,


x1 x x 2

3
2
x2 x x3
a (x x 2 ) + b2 (x x 2 ) + c2 (x x 2 ) + d2 ,
T(x) = 2
.
.
.

3
2
an1(x x n1) + bn1(x xn1 ) + cn1(x xn1 ) + dn1, xn-1 x xn

170
Formulacin del trazador cbico natural
Polinomio para cada intervalo:

y = p(x) = ai (x xi )3 + bi (x xi )2 + ci (x xi ) + di

(0)

x i x x i+ 1, =
i 1,2,...,n 1

Para cada uno de estos polinomios deben determinarse los coeficientes


ai, bi, ci, di, i = 1, 2, ..., n-1
Los puntos no necesariamente estn espaciados en forma regular por lo que conviene asignar
un nombre a cada una de las distancias entre puntos consecutivos:
hi = xi+1 xi , i = 1, 2, ..., n-1
El siguiente desarrollo basado en las condiciones requeridas para p(x) permite obtener los
coeficientes del polinomio.
Sea y=p(x) el polinomio en cualquier intervalo i, i=1, 2, ..., n-1
Este polinomio debe incluir a los extremos de cada intervalo i:
3
2
x=xi: yi = ai(xI xi) + bi(xI xi) + ci(xI xi) + di = di di = yi (1)
3
2
x=xi+1: yi+1 = ai(xI+1 xi) + bi(xI+1 xi) + ci(xI+1 xi) + di
(2)
= ai hi3 + bi hi2 + ci hi + di
Las dos primeras derivadas de y = p(x)
2
y = 3ai(x xi) + 2bi(x xi) + ci
y = 6ai(x xi) + 2bi

(3)
(4)

Por simplicidad se usa la siguiente notacin para la segunda derivada


y = S = 6ai(x xi) + 2bi
Evaluamos la segunda derivada en los extremos del intervalo i:
S
bi = i
x=xi: yi = Si = 6ai(xi xi) + 2bi = 2bi
2
x=xi+1: yi+1 = Si+1 = 6ai(xi+1 xi) + 2bi = 6ai hi + 2bi
De donde se obtiene

ai =

Si + 1 Si
6hi

(5)

(6)

171
Sustituimos (1), (5), y (6) en (2)
S Si 3 Si 2
hi +
hi + ci hi + yi
yi+1 = i + 1
6hi
2
De donde se obtiene:
y yi 2hi Si + hi Si + 1

(7)
ci = i + 1
hi
6
Con lo que los coeficientes de p(x) quedan expresados mediante los datos dados y los valores
de las segundas derivadas S
Coeficientes del trazador cbico

ai =

Si + 1 Si
6hi

Si
2
yi + 1 yi 2hi Si + hi Si + 1

ci =
hi
6
di = yi
bi =

(8)

i = 1, 2, ..., n-1

En el punto intermedio entre dos intervalos adyacentes, la pendiente de los polinomios debe ser
igual:

Pendiente en el intervalo [xi, xi+1], de (3):


2
y = 3ai(x xi) + 2bi(x xi) + ci
Evaluamos en el extremo izquierdo
2
x=xi: yi = 3ai(xi xi) + 2bi(xi xi) + ci = ci
Pendiente en el intervalo [xi-1, xi], de (3):
2
y = 3ai-1(x xi-1) + 2bi-1(x xi-1) + ci-1
Evaluamos en el extremo derecho
2
2
x=xi: yi = 3ai-1(xi xi-1) + 2bi-1(xi xi-1) + ci-1 = 3ai-1 hi-1 + 2bi-1 hi-1 + ci-1
En el punto xi ambas pendientes deben tener el mismo valor:
ci = 3ai-1 hi21 + 2bi-1 hi-1 + ci-1
Finalmente, se sustituyen las definiciones de ci, ai-1, bi-1, ci-1

yi + 1 yi 2hi Si + hi Si + 1
S Si 1 2
y yi 1 2hi 1Si 1 + hi 1Si
S

= 3( i
) hi 1 + 2( i 1 )hi-1 + i
6hi
6
6hi 1
hi
6
2

172
Despus de simplificar se obtiene:
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (

yi + 1 yi yi yi 1

) , i = 2, 3, ..., n-1
hi
hi 1

(9)

Esta ecuacin debe evaluarse con los datos dados, con lo que se obtiene un sistema de n 2
ecuaciones lineales con las n variables: S1, S2, ..., Sn
Para obtener dos datos adicionales se considera que en el trazador cbico natural los puntos
extremos inicial y final estn sueltos por lo que no tienen curvatura. Con esta suposicin el valor
de la segunda derivada tiene un valor nulo en los extremos, y se puede escribir:

S1 = 0, Sn = 0

(10)

6.10.2 Algoritmo del trazador cbico natural


Dados los puntos: (xi, yi), i = 1, 2, ..., n
1. Con la ecuacin (9) y reemplazando los valores dados en (10) obtenga un sistema de n2 ecuaciones lineales con las incgnitas S2, S3, ..., Sn-1, (Sistema tridiagonal de
ecuaciones lineales)
2. Resuelva el sistema y obtenga los valores de S2, S3, ..., Sn-1
3. Con las definiciones dadas en (8) obtenga los coeficientes para el trazador cbico.
4. Sustituya los coeficientes en la definicin dada en (0) y obtenga el polinomio del trazador
cbico en cada uno de los intervalos.

hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (

yi + 1 yi yi yi 1
) , i = 2, 3, ..., n-1

hi
hi 1

S1 = 0, Sn = 0
ai =

(9)
(10)

Si + 1 Si
6hi

Si
2
yi + 1 yi 2hi Si + hi Si + 1

ci =
hi
6
di = yi
bi =

(8)

i = 1, 2, ..., n-1

y = p(x) = ai (x xi )3 + bi (x xi )2 + ci (x xi ) + di
x i x x i+ 1, =
i 1,2,...,n 1

(0)

173
Ejemplo. Dados los datos (2, 5), (4,6), (5,9), (8,5), (10,4) encuentre el trazador cbico natural
Solucin:
Anotamos los datos en la terminologa del trazador cbico
n=5
i
xi
yi
hi = xi+1 - xi
1
2
5
2
2
4
6
1
3
5
9
3
4
8
5
2
5
10
4
S1 = 0, S5 = 0, de acuerdo a la definicin (10)
Al sustituir en (9) se obtiene un sistema de ecuaciones lineales
y yi yi yi 1

) , i = 2, 3, 4
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 ( i + 1
hi
hi 1
i = 2:

h1S1 + 2(h1 + h2)S2 + h2S3 = 6 (

y3 y2 y2 y1

)
h2
h1

96 65
6S2 + S3 = 15

)
1
2
y y3 y3 y2
)

h2S2 + 2(h2 + h3)S3 + h3S4 = 6 ( 4


h3
h2

2(0) + 2(2 + 1)S2 + 1S3 = 6 (


i = 3:

59 96
S2 + 8S3 + 3S4 = -26

)
3
1
y y 4 y 4 y3
)

h3S3 + 2(h3 + h4)S4 + h4S5 = 6 ( 5


h4
h3

1S2 + 2(1 + 3)S3 + 3S4 = 6 (

i = 4:

3S3 + 2(3 + 2)S4 + 2(0) = 6 (


6 1 0 S2
1 8 3 S =

3
0 3 10 S 4

59 96

)
3
1

S3 + 10S4 = 5

15
26 Resolviendo este sistema resulta

S2
S =
3
S 4

3.2212
4.3269

1.7981

Sustituimos estos valores en las definiciones (8) y se obtienen los coeficientes:


ai
bi
ci
di
0.2684
0
-0.5737
5
-1.2580
1.6106
2.6474
6
0.3403
-2.1635
2.0946
9
-0.1498
0.8990
-1.6987
5
Los coeficientes corresponden a los cuatro polinomios segmentarios del trazador cbico natural
segn la definicin inicial en la ecuacin (0):
3

y = p(x) = ai(xI xi) + bi(xI xi) + ci(xI xi) + di , i = 1, 2, 3, 4


i=1:
i=2:
i=3:
i=4:

y = p(x) = a1(xI xi) + b1(xI xi) + c1(xI xi) + d1 ,


3
2
= 0.2684(x 2) + 0(x 2) 0.5737(x 2) + 5,
3
2
y = p(x) = -1.2580(x 4) + 1.6106(x 4) + 2.6474(x 4) + 6,
3
2
y = p(x) = 0.3403(x 5) 2.1635(x 5) + 2.0946(x 5) + 9,
3
2
y = p(x) = -0.1498(x 8) + 0.8990(x 8) 1.6987(x 8) + 6,

2x4
4x5
5x8
8 x 10

174
6.10.3

Instrumentacin computacional del trazador cbico natural

La formulacin del trazador cbico natural se ha instrumentado en MATLAB mediante una


funcin denominada trazador. La versin instrumentada entrega los polinomios segmentarios
almacenados en los componentes de un vector de celdas. Opcionalmente se puede enviar un
parmetro adicional conteniendo un valor o un vector para evaluar el trazador cbico.
Debido a que el sistema resultante es de tipo tridiagonal, se usa un mtodo especfico muy
eficiente para resolver estos sistemas. Debe haber por lo menos 3 puntos datos.
function p=trazador(x,y,z)
% Trazador Cbico Natural
% p = a(i)(x-x(i))^3+b(i)(x-x(i))^2+c(i)(x-x(i))+d(i), n>2
% z es opcional: es el vector de puntos para evaluar al trazador
% Entrega los polinomios simblicos segmentarios en las celdas de un vector
% o puntos del trazador
n=length(x);
clear A B C D;
if n<3
p=[ ];
return
end
for i=1:n-1
h(i)=x(i+1)-x(i);
end
s(1)=0;
s(n)=0;
B(1)=2*(h(1)+h(2));
C(1)=h(2);
D(1)=6*((y(3)-y(2))/h(2)-(y(2)-y(1))/h(1))-h(1)*s(1);
for i=2:n-3
% Sistema tridiagonal para obtener S
A(i)=h(i);
B(i)=2*(h(i)+h(i+1));
C(i)=h(i+1);
D(i)=6*((y(i+2)-y(i+1))/h(i+1)-(y(i+1)-y(i))/h(i));
end
A(n-2)=h(n-2);
B(n-2)=2*(h(n-2)+h(n-1));
D(n-2)=6*((y(n)-y(n-1))/h(n-1)-(y(n-1)-y(n-2))/h(n-2))-h(n-1)*s(n);
u=tridiagonal(A,B,C,D);
for i=2:n-1
s(i)=u(i-1);
end
for i=1:n-1
% Coeficientes del trazador cbico natural
a(i)=(s(i+1)-s(i))/(6*h(i));
b(i)=s(i)/2;
c(i)=(y(i+1)-y(i))/h(i)-(2*h(i)*s(i)+h(i)*s(i+1))/6;
d(i)=y(i);
end
if nargin==2
% Polinomios segmentarios
syms t;
for i=1:n-1
p{i}=expand(a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i));
end
else
% Puntos del trazador cbico natural

175
p=[ ];
m=length(z);
for k=1:m
t=z(k);
for i=1:n-1
if t>=x(i) & t<=x(i+1)
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
end
end
if m>1
k=m;i=n-1;
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
end
Ejemplo. Encuentre el trazador cbico natural usando la funcin anterior para los siguientes
puntos: (2, 4), (4, 6), (5, 8), (6, 7), (8, 4)
>> x = [2 4 5 6 8];
>> y = [4 6 8 7 4];
>> p=trazador(x,y);
Vector de celdas con los polinomios segmentarios
>> p{1}
ans =
(27*t^3)/176 - (81*t^2)/88 + (49*t)/22 + 2
>> p{2}
ans =
- (101*t^3)/88 + (1293*t^2)/88 - (1325*t)/22 + 938/11
>> p{3}
ans =
(79*t^3)/88 - (1407*t^2)/88 + (1025*t)/11 - 3749/22
>> p{4}
ans =
- (5*t^3)/176 + (15*t^2)/22 - (301*t)/44 + 326/11
La funcin tambin permite evaluar el trazador en puntos especficos.
Ejemplo. Con el trazador cbico, evaluar el resultado para x = 3:
>> r=trazador(x, y, 3)
r=
4.5398
Para observar el perfil del trazador, se pueden graficar los polinomios simblicos obtenidos, pero
es ms simple generar muchos puntos y conectarlos con segmentos de recta usando la funcin
plot de MATLAB:
Ejemplo. Dibujar el perfil del trazador cbico natural sobre los puntos dados y el polinomio de
interpolacin
>> plot(x, y, o), grid on, hold on
>> p=lagrange(x, y);
>> ezplot(p, [2, 8]);
>> u = [2: 0.01: 8];
>> v = trazador(x, y, u);
>> plot(u, v)

Grfico de los puntos


Polinomio de interpolacin
Grfico el polinomio de interpolacin
Puntos para evaluar el trazador
Puntos del trazador cbico natural
Grfico del trazador cbico natural

176

8
Trazador cbico
natural

4
Polinomio de interpolacin
3

2
2

5
t

Puede observarse la notable mejora en el modelo para representar a los datos dados.

6.10.4

El trazador cbico sujeto

Puede ser de inters asignar alguna pendiente especfica a los extremos inicial y final del
trazador cbico. Esta versin se denomina trazador cbico sujeto o fijo. Por lo tanto, ya no se
aplica la definicin del trazador cbico natural en el que se supone que los extremos estn
sueltos o libres con pendiente constante, y sus segundas derivadas tendrn un valor nulo:
S1 = 0, Sn = 0
Formulacin del trazador cbico sujeto
Dados los puntos (xi, yi), i = 1, 2, ..., n.
Adicionalmente se especifica como datos, la inclinacin del trazador en los extremos:
y(x1) = u
y(xn) = v
Utilizamos la expresin (3) del anlisis anterior:
2
y = 3ai(x xi) + 2bi(x xi) + ci
Sustituimos los datos dados para los polinomios en el primero y ltimo intervalo:
En el primer intervalo:
2
x = x1: y(x1) = u = 3a1(x1 x1) + 2b1(x1 x1) + c1 = c1
Se sustituye la definicin de c1 y se tiene
y y1 2h1S1 + h1S2

u= 2
h1
6
Finalmente,

y y1
1
1
u 2
h1S1 h1S2 =
3
6
h1
En el ltimo intervalo:
2
x = xn: y(xn) = v = 3an-1(xn xn-1) + 2bn-1(xn xn-1) + cn-1
v = 3an-1 hn2 1 + 2bn-1 hn-1 + cn-1

(11)

177
Se sustituyen las definiciones de los coeficientes:
S Sn 1 2
S
y yn 1 2hn 1Sn 1 + hn 1Sn
=
v 3( n
)hn 1 + 2( n 1 )hn 1 + n

6hn 1
2
hn 1
6
De donde se tiene
S Sn 1
y yn 1 2hn 1Sn 1 + hn 1Sn
=
v ( n
)hn 1 + Sn 1hn 1 + n

2
hn 1
6
Finalmente:

y yn 1
1
1
hn 1Sn 1 + hn 1Sn =
v n
6
3
hn 1

(12)

Las ecuaciones (11) y (12) junto con las ecuaciones que se obtienen de (9) conforman un
sistema tridiagonal de n ecuaciones lineales con las n variables S1, S2, ..., Sn
El resto del procedimiento es similar al que corresponde al trazador cbico natural.

6.10.5 Algoritmo del trazador cbico sujeto


Dados los puntos: (xi, yi), i = 1, 2, ..., n
1. Con las ecuaciones (9), (11) y (12) obtenga un sistema de n ecuaciones lineales con las
incgnitas S1, S2, ..., Sn, (Sistema tridiagonal de ecuaciones lineales)
2. Resuelva el sistema y obtenga los valores de S1, S2, ..., Sn
3. Con las definiciones dadas en (8) obtenga los coeficientes para el trazador cbico.
4. Sustituya los coeficientes en la definicin dada en (0) y obtenga el polinomio del trazador
cbico en cada uno de los intervalos.

y y1
1
1
h1S1 h1S2 = u 2
h1
3
6
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 (

(11)

yi + 1 yi yi yi 1

) , i = 2, 3, ..., n-1
hi
hi 1

y yn 1
1
1
hn 1Sn 1 + hn 1Sn = v n
hn 1
6
3

ai =

(9)
(12)

Si + 1 Si
6hi

Si
2
yi + 1 yi 2hi Si + hi Si + 1

ci =
hi
6
i = 1, 2, ..., n-1
di = yi

bi =

(8)

y = p(x) = ai (x xi )3 + bi (x xi )2 + ci (x xi ) + di

(0)

x i x x i+ 1, =
i 1,2,...,n 1

178
6.10.6

Instrumentacin computacional del trazador cbico sujeto

La formulacin del trazador cbico natural se ha instrumentado en MATLAB mediante una


funcin denominada trazadorsujeto. La versin instrumentada entrega los polinomios
segmentarios almacenados en los componentes de un vector de celdas. Opcionalmente se
puede enviar un parmetro adicional conteniendo un valor o un vector para evaluar el trazador
cbico.
Debido a que el sistema resultante es de tipo tridiagonal, se usa un mtodo especfico muy
eficiente para resolver estos sistemas. Debe haber por lo menos 3 puntos datos.

function p=trazadorsujeto(x,y,u,v,z)
% Trazador Cbico Sujeto
% u,v son las pendientes en los extremos
% a(i)(z-x(i))^3+b(i)(z-x(i))^2+c(i)(z-x(i))+d(i), n>2
% z es opcional: es el vector de puntos para evaluar al trazador
% Entrega los polinomios segmentarios en un vector de celdas
% o puntos del trazador
n=length(x);
clear A B C D;
if n<3
p=[ ];
return
end
for i=1:n-1
h(i)=x(i+1)-x(i);
end
B(1)=-2*h(1)/6;
C(1)=-h(1)/6;
D(1)=u-(y(2)-y(1))/h(1);
for i=2:n-1
A(i)=h(i-1);
B(i)=2*(h(i-1)+h(i));
C(i)=h(i);
D(i)=6*((y(i+1)-y(i))/h(i)-(y(i)-y(i-1))/h(i-1));
end
A(n)=h(n-1)/6;
B(n)=h(n-1)/3;
D(n)=v-(y(n)-y(n-1))/h(n-1);
s=tridiagonal(A,B,C,D);
for i=1:n-1
% Coeficientes del trazador cbico sujeto
a(i)=(s(i+1)-s(i))/(6*h(i));
b(i)=s(i)/2;
c(i)=(y(i+1)-y(i))/h(i)-(2*h(i)*s(i)+h(i)*s(i+1))/6;
d(i)=y(i);
end
if nargin==4
%Polinomios segmentarios
syms t
for i=1:n-1
p{i}=expand(a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i));
end
else
% Puntos del trazador cbico sujeto
p=[ ];
m=length(z);

179
for k=1:m
t=z(k);
for i=1:n-1
if t>=x(i) & t<=x(i+1)
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
end
end
if m>1
k=m;i=n-1;
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
end

Ejemplo. Corregir el perfil del trazador cbico del ejemplo anterior para que la curva comience y
termine con pendiente nula. De esta manera se acercar ms al perfil de una distribucin tipo
campana, lo cual fue el objetivo inicial. Usar los mismos datos:
(2, 4), (4, 6), (5, 8), (6, 7), (8, 4)
>> x = [2 4 5 6 8];
>> y = [4 6 8 7 4];
>> p = trazadorsujeto(x, y, 0, 0);
Vector de celdas con los polinomios segmentarios
>> p{1}
ans =
(11*t^3)/160 - t^2/20 - (5*t)/8 + 49/10
>> p{2}
ans =
- (21*t^3)/20 + (107*t^2)/8 - (2173*t)/40 + 153/2
>> p{3}
ans =
(7*t^3)/10 - (103*t^2)/8 + (3077*t)/40 - 569/4
>> p{4}
ans =
(41*t^3)/160 - (391*t^2)/80 + 29*t - 232/5
La funcin tambin permite evaluar el trazador en puntos especficos.
Ejemplo. Con el trazador cbico sujeto, evaluar el resultado para x = 3:
>> r=trazadorsujeto(x, y, 0, 0, 3)
r=
4.4313
Igual que en el trazador cbico natural, para observar el perfil del trazador sujeto, es ms simple
generar muchos puntos y conectarlos con segmentos de recta usando la funcin plot:
Ejemplo. Dibujar el perfil del trazador cbico sujeto sobre los puntos dados, el polinomio de
interpolacin y el trazador cbico natural
>> u = [2: 0.01: 8];
>> t = trazadorsujeto(x, y, 0, 0, u);
>> plot(u, t);

Puntos para evaluar el trazador


Puntos del trazador cbico sujeto
Grfico del trazador cbico sujeto

180
(

7
Trazador cbico
natural
6

5
Polinomio de
interpolacin

Trazador cbico
sujeto

2
2

5
t

El perfil del trazador cbico sujeto suaviza los extremos y proporciona un mejor modelo.

La biblioteca de MATLAB tiene la funcin spline para obtener puntos del trazador cbico natural.
Sin embargo, los resultados no siempre son aceptables como se muestra en el siguiente
ejemplo. Adicionalmente, no proporciona la forma simblica de los polinomios segmentarios.
Ejemplo. Usar la funcin spline de MATLAB para obtener puntos del trazador cbico natural y
dibujarlos sobre los grficos anteriores para comparar y evaluar.
>> u = [2: 0.01: 8];
>> t = trazadorsujeto(x, y, 0, 0, u);
>> plot(u, t);
(

Puntos para evaluar el trazador


Puntos del trazador cbico spline
Grfico del trazador cbico spline
)

7
Trazador cbico
natural
6

5
Polinomio de
interpolacin

Trazador cbico
sujeto

Trazador cbico
spline
2
2

5
t

El perfil del trazador cbico spline de MATLAB no presenta un perfil aceptable.


Se puede concluir que para los datos dados en este ejemplo, el modelo ms conveniente es el
que proporciona el trazador cbico sujeto con pendiente horizontal en los extremos.

181
6.10.7 Ejercicios con el trazador cbico
1. Con los siguientes datos (x, y): (1.2, 4.6), (1.5, 5.3), (2.4, 6.0), (3.0, 4.8), (3.8, 3.1)
a) Encuentre el trazador cbico natural
b) Encuentre el valor interpolado para x=2.25
2. Con los siguientes datos (x, y): y(1.2) = 1, (1.5, 5.3), (2.4, 6.0), (3.0, 4.8), y(3.8) = -1
a)
b)

Encuentre el trazador cbico sujeto


Encuentre el valor interpolado para x=2.25

Use las funciones instrumentadas en MATLAB para comprobar sus resultados


3. Dados los siguientes datos obtenidos mediante observacin:
(2, 3), (4, 5), (5, 8), (7, 3), (8, 1), (9, 1)
a) Obtenga y grafique un polinomio de interpolacin incluyendo todos los datos. Use la funcin
Lagrange instrumentada en este curso
b) Obtenga y grafique el trazador cbico natural con los mismos datos, usando la funcin
trazador desarrollada en este curso. Observe y evale los resultados obtenidos.

182
7

INTEGRACIN NUMRICA

Introducimos este captulo mediante un problema de inters prctico en el que el modelo


matemtico resultante es la evaluacin de un integral. El objetivo es evaluar numricamente un
integral y estimar la precisin del resultado.
Problema.
La siguiente funcin es bsica en estudios estadsticos y se
denomina funcin de densidad de la distribucin Normal Estndar:
Esta funcin permite calcular la probabilidad, P, que la variable Z
pueda tomar algn valor en un intervalo [a, b] segn la siguiente
definicin:

f(z) =

1
2

1
z2
2

P(a Z b) =

f(z)dz
a

Debido a que esta funcin no es integrable analticamente, es necesario utilizar mtodos


numricos para estimar el valor de P.
Sea f una funcin integrable y acotada definida en un intervalo [a, b] con a<bR.
Es de inters calcular el valor de A:
b

A =

f(x)dx
a

En general hay dos situaciones en las que son tiles los mtodos numricos:
1) El integral existe pero es muy difcil o no se puede evaluar analticamente.
2) nicamente se conocen puntos de f(x) pero se requiere calcular en forma aproximada el
integral debajo de la curva descrita por los puntos dados
En ambos casos se trata de sustituir f(x) por alguna funcin ms simple, siendo importante
adems estimar la precisin del resultado obtenido.

7.1

Frmulas de Newton-Cotes

El enfoque bsico para obtener frmulas de integracin numrica consiste en aproximar la


funcin a ser integrada por el polinomio de interpolacin. Las frmulas as obtenidas se
denominan de Newton-Cotes.
Si los puntos estn espaciados regularmente, se puede usar el conocido polinomio de
diferencias finitas o de Newton y para estimar el error se incluye el trmino del error del
polinomio de interpolacin:
x x0
s=
f(x) = pn(s) + En(s),
h
1 2
1 3
1 n
pn(s) = f0 + f0s + f0 s(s-1) + f0 s(s-1)(s-2) +.+ f0s(s-1)(s-2)...(s-n+1)
2!
3!
n!
s n+1 (n+1)
En(s) =
(z), x0<x<xn
h f
n + 1
El uso de polinomios de diferente grado para aproximar a f genera diferentes frmulas de
integracin numrica

183
7.1.1 Frmula de los trapecios
Esta frmula usa como aproximacin para f un polinomio de primer grado:
f(x) p1(s) = f0 + f0 s
En general, la aproximacin mediante una sola recta en el intervalo [a, b] tendra poca precisin
por lo que conviene dividir el intervalo [a, b] en m sub-intervalos y colocar en cada uno, una
recta cuyos extremos coinciden con f(x).
La figura geomtrica en cada intervalo es un trapecio. Sea Ai el rea del trapecio i y sea Ti el
error de truncamiento respectivo, es decir la diferencia entre el rea debajo de f(x) y el rea de
cada trapecio i, i = 1, 2, 3, , m. El rea se puede aproximar con:
b

A = f(x)dx A1 + A2 + A3 + . . .+ Am =

i=1

Mientras que el error de truncamiento total ser:


T = T1 + T2 + T3 + . . . + Tm
Si no discontinuidades en el intervalo [a, b] , es claro que
m T 0

A
i=1

Por simplicidad se usarn puntos regularmente espaciados a una distancia h


b

A=

f(x)dx

x1

x2

xm

x0

x1

x m 1

p 1(s)dx +

p1(s)dx + . +

p1(s)dx

A = A1 + A2 + . . . + Am
m: cantidad de franjas espaciadas regularmente en h, siendo h =

ba
m

Aproximacin del integral con el rea de trapecios


Para obtener la frmula es suficiente encontrar el valor del rea de un trapecio y luego extender
este resultado a las dems, como se indica a continuacin.
rea del primer trapecio:
A1 =

x1

x1

x0

x0

p1(s)dx =

(f0 + f0 s)dx

184
Mediante las sustituciones:
s = (x x0)/h
x = x0 S = 0
x = x1 S = 1
dx = h ds
1

A1 =

(f0 + f0 s)hds = h

f0s +

1
2
f0s
2

= h [f0 +
0

1
(f1 f0)]
2

h
A1 =
[f0 + f1], es la conocida frmula de la geometra para el rea de un trapecio
2

El resultado anterior se extiende directamente a los restantes intervalos:


h
h
h
[f0 + f1] +
[f1 + f2] + .. +
[fm-1 + fm]
A A1 + A2 + . + Am =
2
2
2
h
[f0 + 2f1 + 2f2 + .. + 2fm-1 + fm]
A
2
Definicin: Frmula de los trapecios
m-1
h
h
[f0 + 2f1 + 2f2 + .. + 2fm-1 + fm] = [f0 + 2 fi + fm],
2
2
i=1
m es la cantidad de trapecios.

Ejemplo. La siguiente funcin no es integrable analticamente. f(x) = x sen(x) , 0x2


Use la frmula de los trapecios con m = 4, para obtener una respuesta aproximada del integral:
A=

0 f(x)dx

h
ba 20
[f0 + 2f1 + 2f2 + 2f3 + f4],=
h
= = 0.5
2
m
4
0.5
=
[f(0) + 2f(0.5) + 2f(1) + 2f(1.5) + f(2)] = 1.5225
2

Sin embargo, es necesario poder contestar una pregunta fundamental: Cul es la precisin del
resultado calculado?
7.1.2

Error de truncamiento en la frmula de los trapecios

Es necesario estimar el error en el resultado obtenido con los mtodos numricos


Error al aproximar f(x) mediante p1(x) en el primer sub-intervalo:

s 2 (2)
E1(s) = h f (z1), x0<z1<x1
2
Clculo del rea correspondiente al error en el uso del polinomio para aproximar a f
x1

T1 =

E1(s)dx =

x0

x1

s 2 (2)
2 h f (z1)dx =
x0

Usando las sustituciones anteriores:


s = (x x0)/h

x1

2 s(s 1)h

x0

2 (2)

(z1 )dx

185
x = x0 S = 0
x = x1 S = 1
dx = h ds
h3
2

T1 =

s(s 1)f ''(z1)ds ,


0

Con el teorema del valor medio para integrales, puesto que s(s-1), no cambia de signo en el
intervalo [0,1], se puede sacar del integral la funcin f evaluada en algn punto z1 desconocido,
en el mismo intervalo.
1

h3
f(z1) s(s 1)ds , x0<z1<x1
2
0

T1 =

Luego de integrar, se obtiene


h3
T1 = f(z1), x0<z1<x1
12
Este resultado se extiende a los m sub-intervalos en la integracin
T = T1 + T2 + + Tm
h3
h3
h3
T=f(z1) f(z2) - . f(zm)
12
12
12
h3
T=[ f(z1) + f(z2) + . + f(zm)]
12
h3
T=mf(z), siendo z algn valor en el intervalo (a, b)
12
ba
, la frmula se puede expresar de la siguiente forma
Mediante la sustitucin h =
m
Definicin. Frmula del error de truncamiento en la frmula de los trapecios
T=

h2
(b a) f(z), a z b
12

Esta frmula se utiliza para acotar el error de truncamiento.


Siendo z desconocido, para acotar el error se puede usar un criterio conservador tomando el
mayor valor de |f(z)|, azb. Este criterio no proporciona una medida muy precisa para el error
y su aplicacin puede ser un problema ms complicado que la misma integracin, por lo cual se
puede intentar usar como criterio para estimar el error, la definicin de convergencia indicada al
inicio de esta seccin, siempre que f sea una funcin integrable y acotada:
m

A
i=1

Sean Am =

Ai , Am' =
i=1

A
m'

A
i=1

'

dos aproximaciones sucesivas con m y m trapecios

Entonces, se puede estimar el error de truncamiento absoluto del resultado con:


T |Am - Am'|
Mientras que el error de truncamiento relativo se puede estimar con:
t

| Am Am' |
| Am' |

186
Hay que tener la precaucin de no usar valores muy grandes para m por el efecto del error de
redondeo acumulado en las operaciones aritmticas y que pudiera reducir la precisin en el
resultado.
En caso de conocer nicamente puntos de f, al no disponer de ms informacin para estimar el
error de truncamiento, un criterio simple puede ser tomar el mayor valor de las segundas
diferencias finitas como una aproximacin para la segunda derivada en la frmula del error,
siempre que no cambien significativamente:
h2
(b a) f(z), a z b
12
2f
f(z) 2 i
h
(b-a)
| max(| 2 fi |)
T |12

T=-

Esta frmula tambin pudiera usarse para estimar el error de truncamiento en el caso de que f(x)
se conozca explcitamente y m haya sido especificado. Habra que tabular las diferencias finitas
para los puntos usados en la integracin numrica y estimar el error con la frmula anterior.
Ejemplo. Estime cuantos trapecios deben usarse para integrar f(x) = sen(x) en el intervalo [0,2]
de tal manera que la respuesta tenga el error absoluto menor a 0.0001
Se requiere que error de truncamiento cumpla la condicin:
| T | < 0.0001
h2
(b a) f(z) | < 0.0001
|
12
Siendo el valor de z desconocido se debe usar el mximo valor de f(z) = -sen(z), 0<z<2
max | f(z) | = 1
h2
|
(2 0) (1)| < 0.0001
12
De donde

Entonces

h < 0.0006
h < 0.0245
ba
< 0.0245
m
m > (2 0)/0.0245
m > 81.63 m = 82 trapecios

Ejemplo. Estime cuantos trapecios deben usarse para integrar f(x) = x sen(x) en el intervalo
[0,2] de tal manera que la respuesta tenga el error absoluto menor a 0.0001
Se requiere que error de truncamiento cumpla la condicin:
| T | < 0.0001
h2
(b a) f(z) | < 0.0001
|
12
Siendo el valor de z desconocido se debe usar el mximo valor de
cos(z)
sen(z)
f=
''(z)
zsen(z)
, 0<z<2
z
4 z3
Problema demasiado complicado para estimar el mayor valor de la derivada y acotar el error.

187
En esta situacin, se puede estimar el error comparando resultados con valores sucesivos de m
hasta que la diferencia sea suficientemente pequea. Para los clculos conviene instrumentar
una funcin en MATLAB.
En este ejemplo no se pueden tabular las diferencias finitas para estimar f''(x) con f(x) pues m
no est especificado
2

Ejemplo. Estime el error de truncamiento en la integracin de f(x) = x sen(x) , 0x2 con la


frmula de los trapecios con m = 4
En este caso, se tabulan los cinco puntos de f(x) para estimar el error, aproximando la derivada
con la diferencia finita respectiva:
X
0.0
0.5
1.0
1.5
2.0

f
0.0000
0.3390
0.8415
1.2217
1.2859

T |-

f
0.3390
0.5025
0.3802
0.0643

f
0.1635
-0.1223
-0.3159
2

(b-a)
(2-0)
| max(| 2 fi |) =
(0.3159) = 0.0527
12
12

Ejemplo. Dados los puntos de una funcin f: (0.1, 1.8), (0.2, 2.6), (0.3, 3.0), (0.4, 2.8), (0.5, 1.9)
Calcule el rea A debajo de f aproximando mediante cuatro trapecios y estime el error en el
resultado obtenido.
0.1
[1.8 + 2(2.6) + 2(3.0) + 2(2.8) + 1.9] = 1.0250
2
Al no disponer de ms informacin, se usarn las diferencias finitas para estimar el error

A=

X
0.1
0.2
0.3
0.4
0.5
T |-

f
1.8
2.6
3.0
2.8
1.9

f
0.8
0.4
-0.2
-0.9

f
-0.4
-0.6
-0.7
2

(b-a)
(0.5-0.1)
| max(| 2 fi |) =
(0.7) = 0.0233
12
12

Esto indicara que solamente podemos tener confianza en el primer decimal

7.1.3

Instrumentacin computacional de la frmula de los trapecios

Si se quiere integrar debajo de una funcin dada en forma explcita, conviene definir una funcin
de MATLAB para evaluar el integral dejando como dato el nmero de trapecios m. Los
resultados calculados pueden usarse como criterio para estimar el error de truncamiento.
En la siguiente instrumentacin debe suministrarse la funcin f (definida en forma simblica y en
formato inline), el intervalo de integracin a, b y la cantidad de franjas o trapecios m

188
function r = trapecios(f, a, b, m)
f=inline(f);
h=(b-a)/m;
s=0;
for i=1: m - 1
s=s + f(a + i*h);
end
r = h/2*(f(a) + 2*s + f(b));
Ejemplo. Probar la funcin esta funcin para integral f(x)=sen(x), 0x2
>> f = sin(x);
>> t = trapecios(f, 0, 2, 5)
t=
1.397214
Se puede probar con ms trapecios para mejorar la aproximacin
>> t = trapecios(f, 0, 2, 50)
t=
1.415958
>> t = trapecios(f, 0, 2, 500)
t=
1.416144
Compare con el valor exacto que proporciona MATLAB
>> t = eval(int(f,0,2))
t=
1.416146
Los resultados tienden hacia el valor exacto a medida que se incrementa el nmero de trapecios.
Estos resultados pueden usarse como criterio para determinar la precisin de la aproximacin.
Ejemplo. La siguiente funcin no es integrable analticamente: S =

x s en(x)dx

Use la frmula de los trapecios para obtener la respuesta aproximada y estimar el error.
>> f=sqrt(x)*sin(x);
>> ezplot(f,[0,2]),grid on
>> r=trapecios(f,0,2,10)
r=
1.5313
>> r=trapecios(f,0,2,20)
r=
1.5323
>> r=trapecios(f,0,2,40)
r=
1.5326
>> r=trapecios(f,0,2,50)
r=
1.5326

x 1/2 sin(x)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0

0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

El ltimo resultado tiene cuatro decimales que no cambian y se pueden considerar correctos.

189
7.1.4

Frmula de Simpson

Esta frmula usa como aproximacin para f un polinomio de segundo grado, o parbola:
f(x) p2(s) = f0 + f0 s +

1 2
f0 s(s-1)
2

La integracin se realiza dividiendo el intervalo de integracin [a, b], en subintervalos, incluyendo


tres puntos en cada uno para colocar una parbola.
Por simplicidad se usarn puntos regularmente espaciados a una distancia h
A=

x2

x4

xm

x0

x2

x m 2

f(x)dx

p2 (s)dx +

p2 (s)dx + . +

p 2 (s)dx

A A1 + A2 + . + Am/2
El rea de dos intervalos consecutivos es aproximada mediante el rea debajo de parbolas. Los
puntos son numerados desde cero: x0, x1, ..., xm, e donde m debe ser un nmero par, as la
cantidad de parbolas es m/2.

h=(b-a)/m

Para obtener la frmula se debe encontrar el valor del rea para una parbola:
x2

A1 =

p2 (s)dx =

x0

x2

[f0 + fs s + 2

f0 s(s 1)] dx

x0

Mediante las sustituciones:


s = (x x0)/h
x = x0 s = 0
x = x2 s = 2
dx = h ds
2

A1 =

(f0 + f0 s + 2

f0 s(s 1)hds

Luego de integrar, sustituir las diferencias finitas y simplificar se tiene


h
A1 = [f0 + 4 f1 + f2 ] es el rea debajo de la parbola en la primera franja
3
Por lo tanto, habiendo m/2 franjas, el rea total es la suma:
A = A1 + A2 + . + Am/2
Despus de sustituir y simplificar se obtiene la frmula de integracin

190
Definicin.

Frmula de Simpson (frmula de las parbolas)

h
[f0 + 4f1 + 2f2 + 4f3 +.. + 2fm-2 + 4fm-1 + fm]
3
m es un parmetro para la frmula (debe ser un nmero par)

A=

7.1.5

Error de truncamiento en la frmula de Simpson

Del anlisis del error se llega a


h4
(4)
T=
(ba) f (z), a<z<b
180
Esta frmula puede usarse para acotar el error de truncamiento. Bajo ciertas consideraciones y
si se fija m, se puede estimar la derivada con la diferencia finita correspondiente:
4f
(b-a)
(4)
f (z) 4 i ,
T
max| 4 fi |
180
h
Ejemplo. Dados los puntos de una funcin f: (0.1, 1.8), (0.2, 2.6), (0.3, 3.0), (0.4, 2.8), (0.5, 1.9)
Calcule el rea debajo de f mediante una aproximacin con parbolas.

Aproximacin del rea mediante parbolas


La suma del rea debajo de las dos parbolas, con la frmula anterior:
h
A = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
0.1
A=
(1.8 + 4(2.6) + 2(3.0) + 4(2.8) + 1.9) = 1.0433
3
Este resultado es aproximadamente igual al rea debajo de f.
Estimar el error en el resultado obtenido
Al no disponer de ms informacin, se usarn las diferencias finitas para estimar el error
X
0.1
0.2
0.3
0.4
0.5

f
1.8
2.6
3.0
2.8
1.9

f
0.8
0.4
-0.2
-0.9

f
-0.4
-0.6
-0.7
2

h4
(4)
(b a) f (z), a<z<b
180
(b-a)
(0.5-0.1)
| max| 4 fi | =
(0.1) = 0.00022
T |180
180

T=

f
-0.2
-0.1
3

f
0.1
4

191
Esto indicara que podemos tener confianza en la respuesta hasta el tercer decimal. Resultado
mejor que el obtenido con la Regla de los Trapecios
Ejemplo. Si f es una funcin diferenciable en el intervalo [a,b], la longitud del arco de la curva
f(x) en ese intervalo se puede calcular con el integral
=
S

b
a

1 + [f '(x)]2 dx

Calcular la longitud del arco de la curva f(x)=sen(x), x[0, 2] usando 2 parbolas (m = 4) y


estime el error en el resultado:
Longitud del arco:
=
S

=
s

g(x)dx
=

1 + [f '(x)]2 dx

1 + cos2 (x)dx

(no se puede evaluar analticamente)

ba 20
= = 0.5
m
4
h
S = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
0.5
[g(0) + 4g(0.5) + 2g(1) + 4g(1.5) + g(2)]
S=
3
S = 2.3504

=
h

Estimacin del error


Dado que m est especificado, se usa una aproximacin de diferencias finitas para aproximar la
derivada en la frmula del error de truncamiento
h4
(4)
(b a) f (z), a<z<b
T=
180
X
f
f
2f
3f
4f
0.0
1.4142
-0.0837
-0.1101
0.1698
-0.0148
0.5
1.3305
-0.1938
0.0597
0.1551
1.0
1.1366
-0.1341
0.2148
1.5
1.0025
0.0806
2.0
1.0831
T|-

(b-a)
(2-0)
| max( 4 fi )=
(0.0148) = 0.00016
180
180

Es una cota aproximada para el error de truncamiento

7.1.6

Instrumentacin computacional de la frmula de Simpson

La funcin recibir a la funcin f definida en forma simblica, el intervalo de integracin a, b y la


cantidad de franjas m
function r = simpson(f, a, b, m)
f=inline(f);
h=(b-a)/m;
s=0;
for i=1:m-1
s=s+2*(mod(i,2)+1)*f(a+i*h);
end
r=h/3*(f(a) + s + f(b));

%Sumar los trminos con coeficientes 4, 2, 4, 2,...,4

192

Ejemplo. Integrar f ( x=
)
1 + cos 2 ( x ) 0x2, con la frmula de Simpson iterativamente
hasta que el error de truncamiento sea menor que 0.0001
>> f = sqrt(1+(cos(x))^2);
>> r=simpson(f,0,2,4)
r=
2.3504
>> r=simpson(f,0,2,8)
r=
2.3516
>> r=simpson(f,0,2,12)
r=
2.3517
>> r=simpson(f,0,2,16)
r=
2.3517
7.1.7

Error de truncamiento vs. Error de redondeo

En las frmulas de integracin numrica se observa que el error de truncamiento depende de h


h2
2
Frmula de los Trapecios:
T=
(b a) f(z) = O(h )
12
h4
(4)
4
Frmula de Simpson:
T=
(b a) f (z) = O(h )
180
ba
Adems
h=
m
Entonces, para ambas frmulas, cuando h 0 T 0
Est claro que la frmula de Simpson converge ms rpido, supuesto que h<1
Por otra parte, al evaluar cada operacin aritmtica se puede introducir un error de redondeo Ri
si no se conservan todos los dgitos decimales en los clculos numricos. La suma de estos
errores es el error de redondeo acumulado R. Mientras ms sumas se realicen, mayor es la
cantidad de trminos que acumulan error de redondeo.
R = R1 + R2 + R3 + . + Rm
Estos errores de redondeo pueden tener signos diferentes y anularse, pero tambin puede
ocurrir que tengan igual signo, por lo tanto el valor puede crecer
Siendo m =

ba
, cuando h 0 m R puede crecer
h

En conclusin, para prevenir el crecimiento de R, es preferible usar frmulas que no requieran


que m sea muy grande para obtener el resultado con una precisin requerida. Este es el motivo
para preferir la frmula de Simpson sobre la frmula de los Trapecios.

193
x

Ejemplo. Encontrar el rea entre f(x) = 4 + cos(x+1), y g(x)=e sen(x), que incluya el rea entre
las intersecciones de f y g en el primer cuadrante. Use la Regla de Simpson, m=10.
>> f=4+x*cos(x+1);
>> g=exp(x)*sin(x);
>> ezplot(f,[0,3.5]),grid on
>> hold on
>> ezplot(g,[0,3.5])
e p( ) s ( )
8

6
4

-2
-4

-6
0

0.5

1.5

2.5

3.5

Se utiliza un mtodo numrico para calcular las intersecciones:


>> h=4+x*cos(x+1) - exp(x)*sin(x);
>> a=biseccion(h, 1, 1.5, 0.0001)
a=
1.2337
>> b=biseccion(h, 3, 3.2, 0.0001)
b=
3.0407
Finalmente se integra:
>> s=simpson(h, a, b, 10)
s=
6.5391
Comparacin con el valor que proporciona la function int de MATLAB
>> r=eval(int(h, a, b))
r=
6.5393

194
7.2

Obtencin de frmulas de integracin numrica con el mtodo de


coeficientes indeterminados

En esta seccin se describe una tcnica denominada de los Coeficientes Indeterminados para
obtener frmulas de integracin numrica.
El procedimiento consiste en proponer una frmula conteniendo algunas incgnitas. Esta frmula
es aplicada a casos conocidos con el propsito de obtener ecuaciones, de las cuales se
determinan finalmente los valores para las incgnitas.
Como ejemplo se usa este mtodo para obtener una frmula de tres puntos espaciados en h:

Frmula propuesta
2h

A=

f(x)dx =

c0 f(0) + c1f(h) + c2 f(2h)

Deben determinarse los coeficientes c0, c1, c2. Para obtenerlos, se usarn tres casos con
polinomios de grado 0, 1 y 2 con los cuales queremos que se cumpla la frmula. Es suficiente
considerar la forma ms simple de cada caso:
1) f(x) = 1,
2h

A=

(1)dx =

2h = c0 f(0) + c1f(h) + c2 f(2h) = c0 (1) + c1(1) + c2 (1) c0 + c1 + c2 = 2h

2) f(x) = x,
2h

A=

xdx =

2h2 = c0 f(0) + c1f(h) + c2 f(2h) = c0 (0) + c1(h) + c2 (2h) c1 + 2c2 = 2h

0
2

3) f(x) = x ,
2h

A=

x
0

dx=

8 3
8
h = c0 f(0) + c1f(h) + c2 f(2h)= c0 (0) + c1(h2 ) + c2 (4h2 ) c1 + 4c2=
h
3
3

h
4h
h
=
, c1
=
, c2
3
3
3
Reemplazando en la frmula propuesta se llega a la conocida frmula de Simpson
h
A=
(f(0) + 4f(h) + f(2h))
3
Resolviendo las tres ecuaciones resultantes se obtienen:
=
c0

La obtencin de la frmula implica que es exacta si f es un polinomio de grado menor o igual a


dos. Para otra f, ser una aproximacin equivalente a sustituir f por un polinomio de grado dos.

195
7.3

Cuadratura de Gauss

Las frmulas de Newton-Cotes estudiadas utilizan polinomios de interpolacin construidos con


puntos fijos equidistantes. Estas frmulas son exactas si la funcin es un polinomio de grado
menor o igual al polinomio de interpolacin respectivo.
Si se elimina la restriccin de que los puntos sean fijos y equidistantes, entonces las frmulas de
integracin contendrn incgnitas adicionales.
La cuadratura de Gauss propone una frmula general en la que los puntos incluidos no son fijos
como en las frmulas de Newton-Cotes:
b

=
A

=
f(x)dx

c0 f(t 0 ) + c1f(t1 ) + ... + cm f(t m )

Los puntos t0, t1, ..., tm, son desconocidos. Adicionalmente tambin deben determinarse los
coeficientes c0, c1, ..., cm
El caso simple es la frmula de dos puntos. Se usa el mtodo de los coeficientes indeterminados
para determinar las cuatro incgnitas
7.3.1

Frmula de la cuadratura de Gauss con dos puntos

Frmula propuesta
b

=
A

=
f(x)dx

c0 f(t 0 ) + c1f(t1 )

Por simplicidad se usar el intervalo [-1, 1] para integrar.


extendido al caso general:

Mediante una sustitucin ser

=
A

f(t)dt
=

c0 f(t 0 ) + c1f(t1 )

Habiendo cuatro incgnitas se tomarn cuatro casos en los que la frmula sea exacta. Se usarn
polinomios de grado 0, 1, 2, 3. Es suficiente considerarlos en su forma ms simple:
1

1) f(t)=1, A =

(1)dt = 2 = c0 f(t0 ) + c1f(t1) =c0 (1) + c1(1) 2 = c0 + c1

1
1

2) f(t)=t, A =

tdt = 0 = c0 f(t0 ) + c1f(t1) =c0 t0 + c1t1 0 = c0 t0 + c1t1

1
1

3) f(t)=t , A =
2

dt =

dt = 0 = c0 f(t 0 ) + c1f(t1 ) =c0 t 03 + c1t13 0 = c0 t 30 + c1t13

1
1

4) f(t)=t , A =
3

2
2
= c0 f(t 0 ) + c1f(t1 ) =c0 t 20 + c1t12 = c0 t 20 + c1t12
3
3

Se genera un sistema de cuatro ecuaciones no-lineales. Una solucin para este sistema se
obtiene con facilidad mediante simple sustitucin:
Los valores c0 = c1 = 1 satisface a la ecuacin 1).
De la ecuacin 2) se tiene t0 = -t1. Esto satisface tambin a la ecuacin 4).
2

Finalmente, sustituyendo en la ecuacin 3):


2/3 = (1)(-t1) + (1)(t1) se obtiene:
1
1
, entonces, t 0 =
y se reemplazan en la frmula propuesta:
t1 =
3
3

196
Definicin:

Frmula de cuadratura de Gauss con dos puntos


1

A=
c0 f(t 0 ) + c1f(t1 ) =
f(
f(t)dt =
1

1
3

) + f(

1
3

Esta simple frmula es exacta si f es un polinomio de grado menor o igual a tres. Para otra f es
una aproximacin equivalente a sustituir f con un polinomio de grado tres.
1

(2t

Ejemplo. Calcule =
A

+ t 2 1)dt

1
1

1
1
1 3
1 2
1
1
-4/3
A=
f(
) + f( ) =
[2(
) + (
) 1] + [2( )3 + ( )2 1] =
f(t)dt =
3
3
3
3
3
3
1

La respuesta es exacta pues f es un polinomio de grado 3


Mediante un cambio de variable se extiende la frmula al caso general:
b

=
A

=
f(x)dx

c0 f(t 0 ) + c1f(t1 )

Sea
=
x

ba
b+a
t+
2
2

Se tiene que t = 1 x = b,

t = -1 x = a,

dx =

ba
dt
2

Sustituyendo se tiene
Definicin:

Frmula general de Cuadratura de Gauss con dos puntos


.

A=

f(x)dx=
a

ba
ba
b+a
ba
ba 1 b+a
ba 1 b+a
+
+
f(
t+
)dt=
f(
) + f(
)
2 1
2
2
2
2
2
2
2
3
3

Ejemplo. Calcule A = xe x dx con la frmula de la Cuadratura de Gauss con dos puntos (m=1)
1
b

A = f(x)dx =
a

ba
ba b+a
ba
f(
t+
)dt
[f(t 0 ) + f(t1 )],

2 1
2
2
2
ba 1 b+a
ba 1 b+a
t0 =
,
t1 = +

+
2
2
2
2
3
3
21 1 2+1
1
3

+
=

+ =
t0 =
1.2113
2
2
2
3
2 3
21 1 2+1
1
3
=
+ =
+= 1.7886
t1
2
2
2
3
2 3

1
[ f(1.2113) + f(1.7886)] = 7.3825
2

La respuesta exacta con cuatro decimales es 7.3890. Se observa que usando nicamente dos
puntos se tiene una precisin mejor que usando la frmula de Simpson con tres puntos.

197
1/ 2

Ejemplo. Calcule el valor del integral A =

1 + 5u + u du
2

Aplique la cuadratura de Gauss con m = 1, 2, 3. Con estos resultados haga una estimacin de la
precisin de la respuesta.
1/ 2

A=

1 + 5u + u du ,

f(u) =

A=

ba
ba 1 b+a
ba 1 b+a
f(
+
) + f(
+
)
2
2
2
2
2
3
3

f(x)dx=
a

1/ 2

m=1: A

5
1 + 5u + u2

f(u)du =

1/ 2 0
1/ 2 0 1 1/ 2 + 0
1/ 2 0 1 1/ 2 + 0
f(
+
) + f(
+
)

2
2
2
2
2
3
3

= 0.25(3.2479 + 1.598) = 1.2117


1/ 4

m=2 : A

1/ 2

f(u)du +

f(u)du

1/ 4

1/ 4 0
1/ 4 0 1 1/ 4 + 0
1/ 4 0 1 1/ 4 + 0
f(
) + f(
)
+
+

2
2
2
2
2
3
3

1/ 2 0
1/ 2 1/ 4 1 1/ 2 + 1/ 4
1/ 2 1/ 4 1 1/ 2 + 1/ 4
f(
) + f(
)
+
+

2
2
2
2
2
3
3

= 1.2237
1/ 6

m=3 : A

2/6

f(u)du +

3/6

f(u)du +

1/ 6

f(u)du

2/6

= 1.2251
E1 = 1.2237 1.2117 = 0.0120
E2 = 1.2251 1.2237 = 0.0014
-3

La respuesta tiene el error en el orden 10 aproximadamente

198
7.3.2

Instrumentacin computacional de la cuadratura de Gauss


function s = cgauss(f, a, b)
f=inline(f);
t1=-(b-a)/2*1/sqrt(3)+(b+a)/2;
t2= (b-a)/2*1/sqrt(3)+(b+a)/2;
s = (b-a)/2*(f(t1) + f(t2));
2

Ejemplo. Use la funcin cgauss para calcular A = xe x dx


1

>> f=x*exp(x);
>> s=cgauss(f,1,2)
s = 7.3832
Para mejorar la precisin de sta frmula se la puede aplicar ms de una vez dividiendo el
intervalo de integracin en sub-intervalos.

Ejemplo. Aplique dos veces la cuadratura de Gauss en el ejemplo anterior


2

A = xe x dx = A1 + A2 =
1

1.5

xe x dx +

xe

dx

1.5

En cada subintervalo se aplica la frmula de la Cuadratura de Gauss:


>> f=x*exp(x);
>> s=cgauss(f,1,1.5) + cgauss(f,1.5,2)
s = 7.3886
Se puede dividir el intervalo en ms sub-intervalos para obtener mayor precisin. Conviene
definir una funcin en MATLAB para determinar la precisin del resultado, comparando valores
consecutivos, en base a la convergencia del integral.
7.3.3

Instrumentacin extendida de la cuadratura de Gauss


m es la cantidad de sub-intervalos
function t=cgaussm(f, a, b, m)
h=(b-a)/m;
t=0;
x=a;
for i=1:m
a=x+(i-1)*h;
b=x+i*h;
s=cgauss(f,a,b);
t=t+s;
end

Ejemplo. Aplicar sucesivamente la Cuadratura de Gauss incrementando el nmero de subintervalos, hasta que la respuesta tenga cuatro decimales exactos
>> f=x*exp(x)';
>> s=cgaussm(f,1,2,1)

199
s=
7.3833
>> s=cgaussm(f,1,2,2)
s=
7.3887
>> s=cgaussm(f,1,2,3)
s=
7.3890
>> s=cgaussm(f,1,2,4)
s=
7.3890
En el ltimo clculo se han usado 4 sub-intervalos. El valor obtenido tiene cuatro decimales fijos
Para obtener frmulas de cuadratura de Gauss con ms puntos no es prctico usar el mtodo de
coeficientes indeterminados. Se puede usar un procedimiento general basado en la teora de
polinomios ortogonales. En la bibliografa se pueden encontrar estas frmulas as como
expresiones para estimar el error de truncamiento pero imprcticas para su uso.

7.4

Integrales con lmites no acotados

Estos integrales se denominan integrales impropios del Tipo I. Adicionalmente debe verificarse si
el integral definido converge a un valor finito.
Ocasionalmente puede ser de inters calcular integrales cuyos lmites no estn acotados, por lo
tanto no se pueden aplicar directamente las frmulas de integracin . Mediante alguna
sustitucin deben reducirse a una forma simple eliminando estos lmites impropios.

Ejemplo. Calcule A =

dx

(1 + x2 )3

con la Cuadratura de Gauss, m = 1, 2, 4

Antes de la sustitucin conviene separar el integral en dos sub-intervalos

dx
dx
dx
A=
A1 + A 2
(1 + x2 )3 =
(1 + x2 )3 + (1 + x2 )3 =
0
0
1

A1 se puede calcular inmediatamente con la Cuadratura de Gauss


Para A2 se hace la sustitucin
x = 1/t
2
x t 0, x = 1 t = 1, dx = -1/t dt

=
A2

dx
(1 +=
x 2 )3
1

dt
2)
(1 + 1/ t2 )3 (=
t
1

t4

(1 + t2 )3 dt
0

Ahora se puede aplicar tambin la Cuadratura de Gauss


Resultados calculados:
m=1: A = A1+A2 = 0.6019
m=2: A = A1+A2 = 0.5891
m=4: A = A1+A2 = 0.5890
El ltimo resultado tiene un error en el orden de 0.0001

200
7.5

Integrales con rango no acotado

Estos integrales se denominan integrales impropios de Tipo II. Adicionalmente debe verificarse si
el integral definido converge a un valor finito. Mediante alguna sustitucin deben reducirse a una
forma integrable eliminando los puntos singulares.
1

Ejemplo. Calcule A =

sen(x)

(x 1)2 / 3 dx

con la frmula de Simpson, m = 4, y estimar el error

No se puede aplicar directamente la frmula de Simpson por el punto singular. Mediante una
sustitucin adecuada se debe tratar de eliminarlo:
1/3
(x-1) = u. Se elige la potencia 1/3 y n 2/3 para no perder el signo

x = u3 + 1:
1

x = 1 u = 0; x = 0 u = -1; dx = 3u du
2

sen(x)

dx
(x 1)2 / 3=
0

=
A

sen(u3 + 1)

u2

(3u2=
du)

3sen(u3 + 1)du
=

f(u)du

integral bien definido en [-1,0]


Regla de Simpson, m = 4
h
A = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
m = 4 h = 0.25
A = 0.25/3(f(-1)+4f(-0.75)+2f(-0.5)+4f(-0.25)+f(0)) = 1.9735...
Estimacin del error
Al no disponer de ms informacin, se usarn las diferencias finitas para estimar el error:
X
-1
-0.75
-0.5
-0.25
0
T|-

f
0
1.6394
2.3026
2.4988
2.5244

2f

3f

4f

1.6394
0.6633
0.1961
0.0256

-0.9761
-0.4671
-0.1705

0.5090
0.2966

-0.2124

(b-a)
(0 - (-1))
| max(| 4 fi |) =
(-0.2124) = -0.0012
180
180

Nota.- Este integral no puede evaluarse analticamente. Si se usa la frmula de Simpson


incrementando el nmero de franjas, el resultado tiende a 1.9730... consistente con el error
calculado con la frmula anterior.
1

Ejemplo. Calcule A =

sen(x)
dx con la Cuadratura de Gauss con m = 1, 2
x
0

La frmula de la Cuadratura de Gauss no requiere evaluar f en los extremos, por lo tanto se


puede aplicar directamente:
b

A=

f(x)dx=
a

ba
ba 1 b+a
ba 1 b+a
f(
+
) + f(
+
)
2
2
2
2
2
3
3

Aplicando la frmula en el intervalo [0, 1]:


A = 0.94604
Aplicando la frmula una vez en cada uno de los intervalos [0, 0.5] y [0.5, 1] y sumando:
A = 0.94608

201
Comparando ambos resultados se puede estimar el error en el quinto decimal.
NOTA: Para calcular el integral no se puede aplicar la frmula de Simpson pues sta requiere
evaluar f(x) en los extremos. En este ejemplo, se tendra un resultado indeterminado al evaluar
en x = 0

e1/ x
2 x5 / 3 dx con la frmula de Simpson, m=4.
Esta expresin no es integrable ni analtica, ni numricamente.
Ejemplo. Calcule S =

La solucin requiere sustituciones para ambos tipos de integrales impropios


Resolver el integral impropio tipo I
Sustitucin: u=1/x: x u0, x=2 u=1/2, dx=-du/u

S=

e1/ x
2 x5 / 3 dx =

1/ 2

eu
2
5 / 3 (du / u )=
1/ 2 1/ u

eu
du
u1/ 3

Igualmente se llega a un integral impropio de tipo II, no integrable analtica o numricamente.


Resolver el integral impropio tipo II
1/3

Sustitucin: t=u :
1/ 2

=
S

u=0 t=0, u=1/2 t=(1/2) , du=3t dt

eu
=
0 u1/ 3 du

1/3

(1/ 2)1/ 3

et 2
=
3t dt
t

(1/ 2)1/ 3

3te t dt

La expresin final no es integrable analticamente pero si numricamente:


Regla de Simpson, m=4

h
t3
[f0 + 4f1 + 2f2 + 4f3 + f4], f(t) = 3te
3
(1/2)1/3
m=4 h=
= 0.198425
4

S=

S 0.066141 (f(0)+4f(0.198425)+2f(0.396850)+4f(0.595275)+f(0.793700)) = 1.169439

7.6

Integrales mltiples

Para evaluar integrales mltiples se pueden usar las reglas de integracin numrica anteriores
integrando separadamente con cada variable:
db
d b

Suponer que se desea integrar V = f(x, y)dxdy = f(x, y)dx dy con la regla de

ca
=
y c=
x a

Simpson con m subintervalos en ambas direcciones.


Se puede aplicar la regla integrando en la direccin X fijando Y en cada punto. Los smbolos x
y y denotan la distancia entre los puntos en las direcciones X, Y respectivamente.

202

b
b
b
b

f(x,y
)dx
+
4
f(x,y
)dx
+
2
f(x,y
)dx
+
4
f(x,y
)dx
+
.
.
.+
f(x,y
)dx

0
1
2
3
m

a
a
a
a
a

f(x, y0 )dx

a
b

f(x, y1)dx

a
b

f(x, y2 )dx

a
b

f(x, y3 )dx
a

x
( f(x0 , y0 ) + 4f(x1, y0 ) + 2f(x2 , y0 ) + 4f(x3 , y0 ) + . . . + f(xm , y0 ) )
3
x
( f(x0 , y1 ) + 4f(x1, y1 ) + 2f(x2 , y1) + 4f(x3 , y1) + . . . + f(xm , y1 ) )
3
x
( f(x0 , y2 ) + 4f(x1, y2 ) + 2f(x2 , y2 ) + 4f(x3 , y2 ) + . . . + f (xm , y2 ) )
3
x
( f(x0 , y3 ) + 4f(x1, y3 ) + 2f(x2 , y3 ) + 4f(x3 , y3 ) + . . . + f(xm , y3 ) )
3

. . .
b

f(x, ym )dx
a

x
( f(x0 , ym ) + 4f(x1, ym ) + 2f(x2 , ym ) + 4f(x3 , ym ) + . . . + f(xm , ym ) )
3

Ejemplo. Calcule el integral de f(x,y)=sen(x+y), 0x1, 2y3, con m = 2 en cada direccin.


3 1

=
sen(x
+
y)dxdy
sen(x + y)dx dy,

20
=
x 2=
y 0

=
V

1
1
1

0.5
sen(x+2)dx + 4 sen(x+2.5)dx + sen(x+3)dx
3 0

0
0
1

sen(x + 2)dx
0
1

0.5
0.5741
( sen(0 + 2) + 4sen(0.5 + 2) + sen(1 + 2) ) =
3

sen(x + 2.5)dx
0
1

sen(x + 3)dx
0

x =y =0.5

0.5
0.1354
( sen(0 + 2.5) + 4sen(0.5 + 2.5) + sen(1 + 2.5) ) =
3

0.5
-0.3365
( sen(0 + 3) + 4sen(0.5 + 3) + sen(1 + 3) ) =
3

0.5
0.1299
[ 0.5741+ 4(0.1354) +(-0.3365)] =
3

Ejemplo. Un lago tiene forma aproximadamente rectangular de 200m x 400m. Se ha trazado un


cuadriculado y se ha medido la profundidad en metros en cada cuadrcula de la malla como se
indica en la tabla siguiente:
X
Y
0
50
100
150
200

100

200

300

400

0
0
1
0
0

0
3
5
2
0

4
5
6
3
1

6
7
9
5
2

0
3
5
1
0

203
Con todos los datos de la tabla estime el volumen aproximado de agua que contiene el lago.
Utilice la frmula de Simpson en ambas direcciones.
d

V=

f(x, y)dxdy

=
y c=
x a

x y
f(x 0 , y0 ) + 4f(x 0 , y1 ) + 2f(x 0 , y2 ) + 4f(x 0 , y3 ) + f(x 0 , y4 )
3 3
y
+4
f(x1 , y0 ) + 4f(x1 , y1 ) + 2f(x1 , y2 ) + 4f(x1 , y3 ) + f(x1 , y3 )
3
y
+2
f(x 2 , y0 ) + 4f(x 2 , y1 ) + 2f(x 2 , y2 ) + 4f(x 2 , y3 ) + f(x 2 , y4 )
3
y
+4
f(x 3 , y0 ) + 4f(x 3 , y1 ) + 2f(x 3 , y2 ) + 4f(x 3 , y3 ) + f(x 3 , y4 )
3
y
+
f(x 4 , y0 ) + 4f(x 4 , y1 ) + 2f(x 4 , y2 ) + 4f(x 4 , y3 ) + f(x 4 , y4 )
3

=
V

V
=

100 50
[ 0 + 4(0) + 2(1) + 4(0) + 0]
3 3
50
+4
[ 0 + 4(3) + 2(5) + 4(2) + 0]
3
50
+ 2 [ 4 + 4(5) + 2(6) + 4(3) + 1]
3
50
+4
[ 6 + 4(7) + 2(9) + 4(5) + 2]
3
50
+
[ 0 + 4(3) + 2(5) + 4(1) + 0] }
3

V = 287777.78 metros cbi cos de agua

Integrales dobles con lmites variables


2

Ejemplo. Calcule el integral de f(x,y)=(x +y ), 0x1, xy2x. Use la frmula de Simpson con
m = 2 en cada direccin.
1

=
V

2x

=
x 0=
y x

f(x,=
y)dydx

2x

(x 2 + y3 )dydx ,

=
x 0=
y x

Frmula de Simpson con una parbola en cada direccin (m=2): x = 0.5:

2(0)
2(0.5)
x
f(0,y)dy + 4 f(0.5,y)dy +
3 0
0.5

2(1)

x = 0, 0.5, 1

f(1,y)dy

Los lmites para integrar en Y as como la longitud y de los sub-intervalos, cambian segn X:
=
V

0.5 0
{ [ f(0,0) + 4f(0,0) + f(0,0)] +
3 3
0.25
0.5
4
[ f(0.5,0.5) + 4f(0.5,0.75) + f(0.5,1)] +
[ f(1,1) + 4f(1,1.5) + f(1,2)] } = 1.03125
3
3

204
Integrales dobles con puntos singulares
Ejemplo. Calcule el valor del integral con la frmula de Simpson con m = 4 en cada direccin.

e y x
x0 x1/ 3 dx dy
=
y 0=
0.5 0.5

V=

Es un integral impropio no integrable analticamente. Para aplicar la frmula de Simpson se debe


transformar
x = u , dx = 3u du, x = 0 u = 0, x = 0.5 u = 0.51/3

1/3

Sea u = x

0.5 0.51/ 3

V=

3u e y u du dy
3

Esta funcin aunque es acotada, no es integrable analticamente, por lo que ahora se puede
integrar numricamente
Integrales dobles con puntos singulares y lmites variables
2

Ejemplo. Calcule el valor del integral

f(x, y) dx dy con f(x, y) =

=
= 1
y 1x

sen(x + y)
2x

aproximada

con una parbola en cada direccin (Frmula de Simpson con m = 2).


Es un integral impropio no integrable analticamente. Para aplicar la frmula de Simpson se debe
transformar
Sea =
u

2 x : x = 1 u = 1, x = y =
u
2

2 y

=
V

sen(2 u2 + y)
(2udu)
=
dy
u

2 y , x = 2 u2, dx = -2udu
2

2sen(2 u2 + y)du dy

2 y

Ahora se puede aplicar el mtodo numrico de integracin, considerando lmites variables:


1
1
1

y
2sen(2-u2 +1)du + 4 2sen(2-u2 +1.5)du + 2sen(2-u2 +2)du
3 2-1

2-1.5
2-2

1
1
1

0.5
2sen(2-u2 +1)du + 4 2sen(2-u2 +1.5)du + 2sen(2-u2 +2)du
V
3 1

0
0.5

2sen(2-u

+1)du = 0

1
1

2sen(2-u

+1.5)du=

0.5
1

2sen(2-u

+2)du=

0.1464
2sen(2 0.70712 + 1.5) + 4(2sen(2 0.85352 + 1.5)) + 2sen(2 12 + 1.5) =
0.2133

0.5
2sen(2 02 + 2) + 4(2sen(2 0.52 + 2)) + 2sen(2 12 + 2) =
-0.9673
3

0.5
0.0190
[ 0 + 4(0.2133)+(-0.9673)] =
3

205
7.6.1

Instrumentacin computacional de la frmula de Simpson en dos direcciones

Se instrumenta el mtodo de Simpson para una funcin de dos variables f(x,y). Primero se
integra en la direccin X y despus, con los resultados obtenidos, se aplica nuevamente la
frmula de Simpson en la direccin Y.
f:
funcin de dos variables
ax, bx, ay, by: lmites de integracin en las direcciones x, y respectivamente
mx, my:
cantidad de franjas en cada direccin
function s=simpson2(f, ax, bx, ay, by, mx, my)
dy=(by-ay)/my;
y=ay;
for i=1:my+1
g = subs(f,'y',y);
%Sustituye en f el smbolo y por cada valor
r(i) = simpson(char(g), ax, bx, mx);
y = y+dy;
end
s=0;
for i=2:my
s=s+2*(2-mod(i,2))*r(i);
end
s=dy/3*(r(1)+s+r(my+1));

Ejemplo. Calcule
=
V

cos(x 2 + y)(x + y)dxdy con la regla de Simpson instrumentada en

=
y 0=
x 0

la funcin anterior. Use m = 4,8,12, en ambas variables para verificar la convergencia.


Grfico de la superficie usando comandos de MATLAB
>> x=0:0.1:1;
>> y=0:0.1:1;
>> [u,v]=meshgrid(x,y);
>> f=cos(u.^2+v)*(u+v);
>> surf(x,y,f)
>> colormap copper

Definir coordenadas para el plano XY


Definir la malla de puntos para evaluar
Obtener puntos de la superficie
Grfico de la superficie
Definir el color

Se observa que el integral entre el plano X-Y debajo de la superficie existe y est acotado.
Solucin con la funcin simpson2

206
>> format long
>> f=cos(x^2+y)*(x+y);
>> v=simpson2(f,0,1,0,1,4,4)
v=
0.500415316612236
>> v=simpson2(f,0,1,0,1,8,8)
v=
0.500269266271819
>> v=simpson2(f,0,1,0,1,12,12)
v=
0.500258596816339
>> v=simpson2(f,0,1,0,1,16,16)
v=
0.500256714328757
>> v=simpson2(f,0,1,0,1,20,20)
v=
0.500256191304419
Si se incrementa el nmero de franjas, el resultado tiende a un valor fijo que es el integral.
Nota. Este integral no se puede resolver por mtodos analticos o con MATLAB:
>> f=cos(x^2+y)*(x+y);
>> v=eval(int(int(f,0,1),0,1))
Error using

207

7.7

Ejercicios y problemas de integracin numrica


2

1. Se desea calcular numricamente A = ln(x)dx con la Regla de los Trapecios. Use la


1

frmula del error de truncamiento respectiva y sin realizar la integracin, estime la cantidad de
trapecios que tendra que usar para que la respuesta tenga cinco decimales exactos.
2. Se desea integrar f(x) = exp(x) + 5x , x [0, 2]
3

a) Use la frmula del error para determinar la cantidad de trapecios que se deberan usar para
obtener la respuesta con 2 decimales exactos.
b) Calcule la respuesta usando la cantidad de trapecios especificada
3. a) Encuentre en forma aproximada el rea debajo de f(x), 0x1.6 Use la frmula de Simpson
incluyendo los cinco puntos tomados mediante aproximacin visual del grfico.

b) Estime el error en el resultado obtenido con una aproximacin de diferencias finitas.


4. En el siguiente grfico se muestra delineada la zona de un derrame de petrleo ocurrido en
cierta regin. Las mediciones han sido obtenidas a distancias de 4 Km.

Con la frmula de Simpson, encuentre en forma aproximada el rea total cubierta por el derrame
de petrleo.
5. La siguiente definicin se denomina funcin error:

erf(x) =

e t dt
2

Esta funcin se usa para definir la funcin de densidad de probabilidad de la distribucin normal
estndar. Calcule erf(1) con la frmula de Simpson con m=2,4,6. Con estos resultados estime la
precisin en la respuesta.

208
6. Una empresa est vendiendo una licencia para manejo de un nuevo punto de venta. La
experiencia indica que dentro de t aos, la licencia generar utilidades segn f(t) = 14000+490t
dlares por ao. Si la tasa de inters r permanece fija durante los prximos n aos, entonces el
valor presente de la licencia se puede calcular con
n

V = f(t)e rt dt
0

Calcule V si n=5 aos y r=0.07. Use la frmula de Simpson con m=4,6,8. Con estos resultados
estime el error de truncamiento
7. Un comerciante usa el siguiente modelo para describir la distribucin de la proporcin x del
total de su mercadera que se vende semanalmente:
3
f(x )=20x (1-x), 0x1
El rea debajo de f(x) representa entonces la probabilidad que venda una cantidad x en cualquier
semana.
Se desea conocer la probabilidad que en una semana venda ms de la mitad de su mercadera
(debe integrar f entre 0.5 y 1). Use la Frmula de Simpson con m=4
8. Segn la teora de Kepler, el recorrido de los planetas es una elipse con el Sol en uno de sus
focos. La longitud del recorrido total de la rbita esta dada por
/2

s = 4 a 1 k 2 sen 2 t dt ,
0

Siendo k: excentricidad de la rbita y a: longitud del semieje mayor


Calcule el recorrido del planeta Mercurio sabiendo que k=0.206, a=0.387 UA
(1 UA = 150 millones de km). Use la frmula de Simpson con m=4 (cantidad de franjas)
9. Una placa rectangular metlica de 0.45 m por 0.60 m pesa 5 Kg. Se necesita recortar este
material para obtener una placa de forma elptica, con eje mayor igual a 50 cm, y eje menor igual
a 40 cm. Calcule el rea de la elipse y determine el peso que tendr esta placa. Para calcular el
rea de la elipse use la frmula de Simpson con m = 4. Finalmente, estime cual es el el error de
truncamiento en el valor del rea calculada.
10. Una curva C puede darse en forma paramtrica con las ecuaciones:
x = f(t)
y = g(t), t [a, b]
Si no hay intersecciones entre f y g, entonces, la longitud del arco de C se puede calcular con la
integral:
b

=
S

(x '(t))2 + (y '(t))2 dt

Use la frmula de Simpson, m=4, para calcular la longitud del arco de la curva dada con las
siguientes ecuaciones paramtricas
=
x 2 cos(t),
=
y
3sen(t), t [0, / 2]
11. Calcule el valor del integral A =
1

12. Calcule A =

dx

dx . Use la Cuadratura de Gauss con dos puntos.


3x + 2
2

.
1)1/ 3
a) Use directamente la Cuadratura de Gauss de dos puntos
3
b) Use la Regla de Simpson con m=4. Previamente debe usar una transformacin: t = 2x -1
1/ 2 (2x

209

13. Calcule A =

dx

1 + x4

Use la regla de Simpson, m=1,2,4 y estime el error

14. Calcule A = x 2 e x Use la Regla de Simpson con m=4 y estime el error


0

15. Calcule A =

dx

x2 + x 2 .

Aplique dos veces la cuadratura de Gauss de dos puntos

16. Escriba una tabla con los cinco puntos del grfico, para x = 0.2, 0.6, 1.0, 1.4, 1.8
aproximando visualmente con una precisin de tres decimales.

0.42

0.4

0.38

0.36

0.34

0.32

0.3
0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

a) Encuentre en forma aproximada el rea debajo de f(x), 0.2x1.8 con la frmula de Simpson
incluyendo los cinco puntos tabulados.
b) Encuentre aproximadamente el rea debajo de f(x), 0.2x1.8 aplicando una vez la
cuadratura de Gauss. Estime t0 y t1 mediante una aproximacin visual con tres decimales.
1.8 2.5

17. Calcule
=
A

(x + y) sin(x)dxdy .

Use la regla de Simpson en ambas direcciones, m=4

1 0.5

18. Calcular la siguiente integral, con el algoritmo de la integral doble de Simpson:

=
S

9 y2 dA

Donde R es la regin acotada por: x + y = 9. Usar m=4 en ambas direcciones

19. La funcin

() = x 1e xdx se denomina Funcin Gamma y es usada en algunos

0
modelos de probabilidad. Encuentre un valor aproximado de

(2) aplicando la Cuadratura de

Gauss.
Sugerencia: Separe el intervalo de integracin en dos intervalos: [0,1], [1, ]. Luego, para el
segundo intervalo use un cambio de variable para eliminar el lmite superior . Finalmente
aplique la Cuadratura de Gauss una vez en cada intervalo.

210
20. El siguiente cuadro contiene valores de una funcin f(x,y). Use la frmula de Simpson para
calcular el volumen entre el plano X-Y y la superficie f(x,y), 0.1 x 0.5, 0.2 y 1.0 . Use
todos los datos disponibles.
Y
X
0.1
0.2
0.3
0.4
0.5

0.2

0.4

0.6

0.8

1.0

0.04
0.41
0.81
0.76
0.06

0.08
0.47
0.83
0.70
0.02

0.12
0.53
0.84
0.62
0.01

0.16
0.58
0.83
0.53
0.01

0.20
0.62
0.82
0.42
0.02

21. Cuando un cuerpo de masa m se desplaza verticalmente hacia arriba desde la superficie de
la tierra, si prescindimos de toda fuerza de resistencia (excepto la fuerza de la gravedad), la

velocidad de escape v est =


dada por: v 2 2=
gR z 2dz; z
1

x
R
2

Donde R = 6371 km. es el radio promedio de la tierra, g = 9.81 m/s es la constante gravitacional.
Utilice cuadratura Gaussiana para hallar v.
22. El siguiente integral no puede resolverse analticamente. Aplique la frmula de Simpson con
2, 4, 6, 8 subintervalos. Con estos resultados estime la precisin del resultado de la integracin.
2

A = e sen(x)dx
0

23. El siguiente integral no puede resolverse analticamente y tampoco pueden aplicarse las
frmulas comunes de integracin numrica.:
1
sen(x)
0 x dx
Aplique la Cuadratura de Gauss con uno, dos y tres subintervalos. Con estos resultados estime
la precisin del resultado de la integracin.

sin(x)
dx
1 x
a) Use una sustitucin para eliminar el punto singular y aplique la regla de Simpson con m=4.
24. Encuentre un valor aproximado del siguiente integral

b) Estime el error en el resultado obtenido

25. Evale de forma aproximada el siguiente integral impropio usando la frmula de Simpson con
5 puntos:

cos(x) -1
dx . Estime el error en la aproximacin.
0
x

211
2y

26. Se requiere calcular el valor del integral

11

direccin para aproximar a f(x, y) =

sen(x y)
2x

dxdy usando dos parbolas en cada

sen(x + y)

2x
a) Escriba la formulacin matemtica del mtodo numrico que utilizar
b) Realice los clculos con cuatro decimales.
NOTA: No olvide transformar previamente el integral con alguna sustitucin que permita eliminar
el punto singular que se produce al evaluar f(x,y) en el lmite superior.

27. En el techado de las casas se utilizan planchas corrugadas con perfil ondulado. Cada onda
tiene la forma f(x) = sen(x), con un periodo de 2 pulgadas
El perfil de la plancha tiene 8 ondas y la longitud de cada onda se la puede calcular con la

= + ( ())
siguiente integral:
Este integral no puede ser calculado por mtodos analticos.
a) Use la frmula de Simpson con m = 4, 6, 8, 10 para calcular y estime el error en el ltimo
resultado
b) Con el ltimo resultado encuentre la longitud del perfil de la plancha.

212
8

DIFERENCIACIN NUMRICA

En este captulo se describe con algo ms de formalidad algunas frmulas para evaluar
derivadas. Estas frmulas son de especial inters en algunos mtodos para resolver ecuaciones
diferenciales y que se estudiarn posteriormente.

8.1

Obtencin de frmulas de diferenciacin numrica

Dados los puntos (xi, fi), i=0, 1, 2, ..., n, suponer que es de inters evaluar alguna derivada
(k)
f (xi) siendo f desconocida pero supuestamente diferenciable.
Un enfoque para obtencin de estas frmulas es construir el polinomio de interpolacin como
una aproximacin para f y luego derivar:
dk
(k)
f(x) pn(x) f (xi) k [pn (x)]x = xi
dx
Adicionalmente, con la frmula del error en la interpolacin se puede estimar el error para las
frmulas de las derivadas.
Un enfoque ms simple consiste en usar la serie de Taylor, bajo la suposicin de que la funcin f
se puede expresar mediante este desarrollo. Entonces mediante artificios algebraicos se pueden
obtener frmulas para aproximar algunas derivadas:
Al desarrollar la serie de Taylor alrededor del punto xi, usando la notacin f(xi) fi, se tiene:
hn + 1 (n+1)
hn (n)
h2
(1)
fi+1 = fi + hf i +
f i + ... +
f i+
f
(z), xi z xi+1
(n + 1)!
n!
2!

hn + 1 (n+1)
hn (n)
h2
f i - ... +
f if
(z), xi-1 z xi
n!
2!
(n + 1)!

(2)

fi-1 = fi - hf i +

8.2

Una frmula para la primera derivada

Tomando tres trminos de (1) y despejando f se obtiene una aproximacin para la primera
derivada y para el error de truncamiento respectivo:
f f h
h2
f (z) f i = i + 1 i - f (z), xi z xi+1
fi+1 = fi + hf i +
2
h
2!
Definicin: Una frmula para la primera derivada con el error de truncamiento

fi + 1 fi fi
=
h
h
h
E = - f (z) = O(h), xi z xi+1
2
f i

213
Esta aproximacin significa que la pendiente
de la tangente a f en el punto i es aproximada
mediante la pendiente de la recta que incluye a
los puntos i e i+1, como se muestra en la
figura:
Para que la aproximacin sea aceptable,
debe ser suficientemente pequeo:
h0 E =

h
f (z) 0
2

Sin embargo, si h es demasiado pequeo, puede introducirse el error de redondeo como se


describe a continuacin. Este error se debe a la imprecisin en los clculos aritmticos o a la
limitada capacidad de representacin de los dispositivos de memoria para almacenamiento de
los nmeros reales.
Suponer que se debe evaluar f en un punto xi. Por lo mencionado anteriormente no se obtendr
exactamente fi sino un valor aproximado f i . Sea Ri el error de redondeo: fi = f i + Ri
Si se sustituye en la frmula para la derivada se tiene:
f f h
f i + 1 + R i + 1 (f i + R i ) h
f i+1 f i Ri+1 Ri h
fi = i + 1 i f (z) =
f (z) =
+
f (z)
2
2
2
h
h
h
h
Debido a que el error de redondeo solamente depende del dispositivo de almacenamiento y no
h
de h entonces, mientras que el error de truncamiento E = f (z) se reduce cuando h 0,
2
puede ocurrir que el componente debido al error de redondeo Ri+1 y Ri crezca ilimitadamente
anulando la precisin que se obtiene al reducir el error de truncamiento E.
El siguiente programa escrito en MATLAB incluye la frmula para estimar la primera derivada de
x
f(x) = x e para x = 1. El valor exacto es f(1) = 5.436563656918091
% demostracin del comportamiento del error en diferenciacin numrica
format long
f=inline('x*exp(x)');
r=5.436563656918091;
% valor exacto de f(1) con 15 decimales
h=0.1;
for i=1:15
d=(f(1+h)-f(1))/h;
% valor aproximado
e=abs(r-d);
disp([h,r,d,e]);
h=h/10;
end
Resultados obtenidos
0.100000000000000
0.010000000000000
0.001000000000000
0.000100000000000
0.000010000000000
0.000001000000000
0.000000100000000
0.000000010000000

5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091

5.863007978820316
5.477519670803988
5.440642892414083
5.436971417314140
5.436604431352520
5.436567733330121
5.436564065597337
5.436563599303667

0.426444321902225
0.040956013885896
0.004079235495992
0.000407760396049
0.000040774434429
0.000004076412030
0.000000408679246
0.000000057614424

214
0.000000001000000
0.000000000100000
0.000000000010000
0.000000000001000
0.000000000000100
0.000000000000010
0.000000000000001

5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091
5.436563656918091

5.436563643712587
5.436562311444957
5.436540106984465
5.436984196194316
5.431211036466265
5.373479439185757
5.773159728050813

0.000000013205504
0.000001345473134
0.000023549933626
0.000420539276225
0.005352620451826
0.063084217732334
0.336596071132722

Se observa que la precisin mejora cuando se reduce h, pero a partir de cierto valor de h, el
resultado pierde precisin.
La aproximacin propuesta para fi es una frmula de primer orden pues el error de truncamiento
es E=O(h). Por lo tanto, si se desea una aproximacin con alta precisin, se debe elegir para h
un valor muy pequeo, pero ya hemos mencionado que esto puede hacer que aparezca el error
de redondeo.
Adicionalmente, si nicamente se tienen puntos de f, no se puede elegir h. Entonces es
preferible usar frmulas con mayor precisin pero que usen nicamente los puntos dados.

8.3

Una frmula de segundo orden para la primera derivada

Una frmula ms precisa para la primera derivada se obtiene restando (1) y (2) con cuatro
trminos:
h2
h3
f i +
f (z1) , xi z1 xi+1
(1)
fi+1 = fi + hf i +
2!
3!
h3
h2
(2)
fi-1 = fi - hf i +
f i f (z2) , xi-1 z2 xi
3!
2!
h3
h3
(1) (2): fi+1 - fi-1 = 2hf i +
f (z1) +
f (z2)
3!
3!
f f
f f
h2
h2
f i = i + 1 i 1 (f (z1) + f (z2)) = i + 1 i 1 (2f (z)), xi-1 z xi+1
2h
2h
12
12
Definicin: Una frmula de segundo orden para la primera derivada

fi + 1 fi 1
2h
h2
2
E=f (z) = O(h ), xi-1 z xi+1
6

f i

Ejemplo. Usar las frmulas para evaluar f'(1.1) dados los siguientes datos:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
f2 f1 3.9841 3.3046
=
= 6.7950,
h
0.1
f f
3.9841 2.7183
f 1 2 0 =
= 6.3293,
2h
2(0.1)

f 1

E=O(h)=O(0.1)
2

E=O(h )=O(0.01)
x

Para comparar, estos datos son tomados de la funcin f(x) = x e . El valor exacto es
f (1.1) = 6.3087. El error en la primera frmula es -0.4863 y para la segunda es -0.0206

215
En la realidad, nicamente se conocen puntos de f(x) con los cuales se debe intentar estimar el
error en los resultados de las frmulas mediante las aproximaciones de diferencias finitas,
recordando que esta aproximacin es aceptable si los valores de las diferencias finitas en cada
columna no cambian significactivamente y tienden a reducirse.
Ejemplo. Estime el error en los resultados del ejemplo anterior, con los dados dados:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
Tabulacin de las diferencias finitas:
i
xi
fi
fi
0
1.0
2.7183 0.5863
1
1.1
3.3046 0.6795
2
1.2
3.9841 0.7860
3
1.3
4.7701

fi
0.0932
0.1065
2

fi
0.0133
3

f2 f1 3.9841 3.3046
=
= 6.7950,
0.1
h
2 fi
h
h 2 fi
0.1066
=

=
0.5325
E = - f (z)
2
2
2 h
2h
2(0.1)
f f
3.9841 2.7183
f 1 2 0 =
= 6.3293,
2h
2(0.1)

f 1

3 fi
h2 3 fi
0.0133
h2
f (z)
=

=
0.0222
3
6
6 h
6h
6(0.1)
En el primer resultado, el error est en el primer decimal. En el segundo resultado, el error est
en el segundo decimal. Esto coincide los valores calculados.
E=-

8.4

Una frmula para la segunda derivada

Una frmula para la segunda derivada se obtiene sumando (1) y (2) con 5 trminos:
h4 iv
h2
h3
f i +
f i +
f (z1), xi z1 xi+1
(1)
fi+1 = fi + hf i +
4!
2!
3!
h2
h3
h4 iv
(2)
fi-1 = fi - hf i +
f i f i +
f (z2), xi-1 z2 xi
2!
3!
4!
h4 iv
h2
iv
(1) + (2): fi+1 + fi-1 = 2fi + 2(
f i)+
(f (z1) + f (z2))
4!
2!
f 2fi + fi + 1 h2
iv
f i = i 1
(2f (z)), xi-1 z xi+1
2
4!
h
Definicin: Una frmula para la segunda derivada con el error de truncamiento
fi 1 2fi + fi + 1
h2
h2 iv
2
E=f (z) = O(h ), xi-1 z xi+1
12

f i

216
Ejemplo. Use la frmula para calcular f''(1.1) dados los siguientes datos:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)

f0 2f1 + f2 2.7183 2(3.3046) + 3.9841


2
=
= 9.32,
E=O(h )=O(0.01)
2
h2
0.1
x
Estos datos son tomados de la funcin f(x) = x e . El valor exacto es f(1.1) = 9.3129. El error
de truncamiento es -0.0071. Si se tuviese un punto adicional, se pudiera estimar el error con la
frmula, usando los datos y una aproximacin de diferencias finitas para la cuarta derivada.
f 1

8.5

Obtencin de frmulas de diferenciacin numrica con el mtodo


de coeficientes indeterminados

Este mtodo permite obtener frmulas para derivadas usando como base cualquier grupo de
puntos.
Dados los puntos (xi, fi), i= 0, 1, 2,
f(x) con la siguiente forma propuesta:

..., n, encontrar una frmula para la k-sima derivada de

f(k)(xj) = cofi + c1fi+1 + c2fi+2 + ..., + cmfi+m + E,

j {i, i+1, i+2, ..., i+m}

La derivada debe evaluarse en el punto j que debe ser alguno de los puntos que intervienen en
la frmula.
Para determinar los coeficientes y el error de truncamiento se sigue el procedimiento:
1) Desarrollar cada trmino alrededor del punto j con la serie de Taylor
2) Comparar los trminos en ambos lados de la ecuacin
3) Resolver el sistema resultante y obtener los coeficientes y la frmula para E
Ejemplo. Con el Mtodo de Coeficientes Indeterminados obtenga una frmula para f en el punto
i usando los puntos i e i+1:
fi = cofi + c1fi+1 + E
1) Desarrollar cada trmino alrededor del punto i
h2
f (z))+ E
fi = cofi + c1 (fi + hf i +
2!
h2
fi = (c0 + c1)fi + c1hf i + c1
f (z)+ E
2!
2) Comparar trminos
0 = c0 + c1
1 = c1h
h2
f (z) + E
0 = c1
2!
3) Con las dos primeras ecuaciones se obtiene:
c1 = 1/h, c0 = -1/h
Con la tercera ecuacin se obtiene:
h2
f (z))
E = - (1/h)
2!
Sustituyendo en la frmula propuesta:
f f h
f i =(-1/h)fi + (1/h)fi+1 + E = i + 1 i - f (z), xi z xi+1
2
h
Igual a la que se obtuvo directamente con la serie de Taylor.

217

8.6

Algunas otras frmulas de inters para evaluar derivadas

Frmulas para la primera derivada

3f(x 0 ) + 4f(x1 ) f(x 2 )


+ O(h2 )
2h
3f(xn 2 ) 4f(xn1 ) + f(xn )
=
+ O(h2 )
f '(xn )
2h
f(xi+ 2 ) + 8f(xi+ 1 ) 8f(xi1 ) + f(xi 2 )
f '(xi )
+ O(h4 )
12h
=
f '(x 0 )

.
8.7

Extrapolacin para diferenciacin numrica

Esta tcnica se puede aplicar a la diferenciacin numrica para mejorar la exactitud del valor de
una derivada usando resultados previos de menor precisin.
Examinamos el caso de la primera derivada, comenzando con una frmula conocida:

f(xi + h) f(xi h)
+ O(h2 )
2h
Si se define el operador D:

f '(xi )
=

El error de truncamiento es de segundo orden

f(xi + h) f(xi h)
2h
2
f '(x
=
)
D(h)
+
O(h
)
i
Reduciendo h, la aproximacin mejora pero el error sigue de segundo orden:
D(h) =

=
f '(xi ) D(h / 2) + O(h2 )
La tcnica de extrapolacin permite combinar estas aproximaciones para obtener un resultado
ms preciso, es decir con un error de truncamiento de mayor orden
Para aplicar la extrapolacin se utiliza la serie de Taylor con ms trminos:

h2 (2) h3 (3) h4 (4)


fi +
fi +
fi + O(h5 )
2
6
6
h2 (2) h3 (3) h4 (4)
+
fi
fi +
fi + O(h5 )
2
6
6

f(xi + h) =
fi + hfi(1) +
f(xi h) =fi hfi(1)

Restando y dividiendo para 2h

D(h) =
fi(1) +

h2 (3)
fi + O(h4 )
6

Definiendo

A=

fi(3)
D(h) =fi(1) + Ah2 + O(h4 )
6

Si se puede evaluar en h/2:

D(h / 2) =
fi(1) + A

h2
+ O(h4 )
4

Para eliminar A se combinan estas dos expresiones:

D(h) 4D(h / 2) =+
fi(1) Ah2 + O(h4 ) 4fi(1) Ah2 + O(h2 ) =
3fi(1) + O(h2 )

218
De donde se obtiene

4D(h / 2) D(h)
+ O(h4 )
3
Es una frmula mayor precisin que la frmula inicial, para evaluar la primera derivada.
=
fi(1) f=
'(xi )

Este procedimiento puede continuar para encontrar frmulas de mayor orden.


Ejm. Dados los puntos (0.1, 0.1105), (0.2, 0.2442), (0.3, 0.4049), (0.4, 0.5967), (0.5, 0.8243)
de una funcin f(x), calcule f'(0.3) usando extrapolacin en la diferenciacin
h = 0.2, xi = 0.3

f '(xi ) D(h) =
1.7845;
f '(xi ) D(h / 2) =
1.7625;
4D(h / 2) D(h)
=
1.7551
3
x
Para comparacin, estos datos fueron tomados de la funcin f(x)=x e
f '(xi )

Valor exacto f'(0.3) = 1.7548.... Se verifica que usando resultados con precisin limitada, se
obtuvo un resultado con mayor precisin.

8.8

Ejercicios de diferenciacin numrica

1. Se tomaron los siguientes datos en Km. para las coordenadas del recorrido de un cohete: (50,
3.5), (80, 4.2), (110, 5.7), (140, 3.8), (170, 1.2).
Mediante aproximaciones de segundo orden determine
a) Velocidad en el centro de la trayectoria
b) Aceleracin en el centro de la trayectoria

fi + 1 fi 1
para aproximar la primera derivada no puede
2h
aplicarse en los puntos extremos del conjunto de datos pues se requiere un punto a cada lado.
Use el mtodo de coeficientes indeterminados para encontrar frmulas de segundo orden para la
primera derivada con los siguientes puntos:

2. La frmula de segundo orden f i

a) f0 = C0f0 + C1f1 + C2f2 + ET


b) fn = Cnfn + Cn-1fn-1 + Cn-2fn-2 + ET
3. Con el mtodo de los coeficientes indeterminados demuestre la siguiente frmula que
relaciona la segunda derivada con la segunda diferencia finita:
2f
f ''(z) = 2 i , para algn z(xi, xi+2)
h

219
9

MTODOS NUMRICOS PARA RESOLVER ECUACIONES


DIFERENCIALES ORDINARIAS

El anlisis matemtico de muchos problemas en ciencias e ingeniera conduce a la obtencin de


ecuaciones diferenciales ordinarias (EDO). El estudio clsico de estas ecuaciones ha enfatizado
el estudio de mtodos analticos para resolverlas pero que no son aplicables a un gran nmero
de EDO, especialmente si son del tipo no-lineal. Por otra parte, programas como MATLAB
disponen de procedimientos simblicos para obtener y graficar soluciones analticas.
Los mtodos numricos son una opcin importante para resolver estas ecuaciones cuando la
solucin analtica es muy complicada o no se puede obtener. Estos mtodos instrumentados
computacionalmente proporcionan soluciones aproximadas para analizar el comportamiento de
la solucin con respecto al problema propuesto. Adicionalmente se puede experimentar
numricamente con algunos aspectos de convergencia y estabilidad del mtodo.
Un problema importante es determinar las condiciones para que la solucin exista y sea nica, y
conocer el dominio en el que la solucin tiene validez. Otros temas relacionados son la
sensibilidad de la solucin a los cambios en la ecuacin o en la condicin inicial y la estabilidad
de la solucin calculada, es decir el estudio de la propagacin de los errores en el clculo
numrico. Sin embargo, el objetivo principal es resolver la ecuacin.
Una ecuacin diferencial ordinaria de orden n es una ecuacin del tipo:
(n-1)
(n)
F(x, y, y, y, ..., y , y ) = 0
En donde y es una funcin de la variable independiente x. El orden de la ecuacin diferencial es
el de su derivada ms alta.
Si es que es posible expresar la ecuacin diferencial en la forma:
(n)
(n-1)
+ + an-1y' + any = b
y + a1y
en donde los coeficientes a1, a2,an, b son constantes o solamente dependen de x, entonces
es una ecuacin diferencial lineal explcita de orden n
Una EDO es una ecuacin en la que la incgnita es una funcin y(x) que satisface a la ecuacin
en cierto dominio y a las condiciones que normalmente se suministran para particularizar la
ecuacin. Los mtodos numricos proporcionan puntos de la funcin como una aproximacin a
la solucin analtica, y con una estimacin de la precisin.
Ejemplo. Un cuerpo de masa m sujeto a un extremo de un resorte con constante de
amortiguacin k, con el otro extremo fijo, se desliza sobre una mesa con un coeficiente de
friccin c. A partir de un estado inicial, las oscilaciones decrecen hasta que se detiene. La
ecuacin del movimiento es

ma =
cv kx
Fx =
En donde a es la aceleracin, v es la velocidad, x es desplazamiento horizontal, t tiempo:

d2 x c dx k
+
+ x=0
dt 2 m dt m
Es una ecuacin diferencial ordinaria lineal de segundo orden. Su solucin describe el
desplazamiento x en funcin del tiempo t partiendo de alguna condicin inicial.
La solucin se obtendr con la funcin dsolve de MATLAB con los siguientes datos: m=5,
c=0.25, k=0.8, x(0)=1, x'(0)=0. La solucin ser graficada en el intervalo, 0t50

220
Para usar la funcin dsolve, se escribe la ecuacin diferencial y la condicin inicial entre
comillas. La primera derivada se escribe D la segunda derivada se escribe D2. Tambin se debe
especificar cual es la variable independiente. El resultado es la solucin analtica:
>> x=dsolve('D2x+0.25/5*Dx+0.8/5*x=0','x(0)=1,Dx(0)=0','t')
x=
cos((255^(1/2)*t)/40)/exp(t/40) + (255^(1/2)*sin((255^(1/2)*t)/40))/(255*exp(t/40))
>> ezplot(x, [0,50]),grid on

En el grfico se observan las oscilaciones del desplazamiento amortiguado.


En el siguiente ejemplo, se modifica la ecuacin anterior incorporando un trmino no-lineal:

d2 x c
dx k
+ (x 1)
+ x=0
2
dt
m
dt m
Al resolverla con la funcin dsolve de MATLAB usando los mismos datos, se obtiene:
>> x=dsolve('D2x+0.25/5*(x-1)*Dx+0.8/5*x=0','x(0)=1,Dx(0)=0')
Warning: Explicit solution could not be found.
x = [ empty sym ]
Este mensaje indica que no se puede obtener la solucin analtica. En estas situaciones toma
inters el estudio de los mtodos numricos.

9.1

Ecuaciones diferenciales ordinarias lineales de primer orden


con la condicin en el inicio

Estas ecuaciones tienen la forma general siguiente:


F(x, y, y) = 0, con la condicin inicial y(x0) = y0
Si es una ecuacin diferencial explcita, se puede escribir de la siguiente manera:
y(x) = f(x, y), y(x0) = y0
En la notacin de derivada:

dy
= f(x, y) , y(x0) = y0
dx
Su solucin es una funcin y(x) definida en algn intervalo, que satisface a la ecuacin e incluye
a la condicin inicial. La solucin de esta ecuacin se puede obtener integrando:

x
x0

dy = f(x, y)dx
x0

y(x) =y(x 0 ) + f(x, y)dx


x0

Los mtodos numricos permiten obtener una solucin aproximada cuando no es posible o es
muy complicado obtenerla en forma explcita.

221
Para adquirir confianza al resolver ecuaciones complicadas para las cuales ya no pueda obtener
la solucin analtica, es conveniente comparar la solucin numrica con la solucin analtica de
ecuaciones cuya solucin es conocida.
9.1.1 Existencia de la solucin
Condicin de Lipschitz
+
Sea la funcin f : A R, A R. Si existe una constante kR tal que

| f(a) f(b) | k | a b | , para a,b A, entonces f satisface la condicin de Lipschitz en A


La condicin de Lipschitz se puede interpretar geomtricamente re-escribindola:

f(a) f(b)
k , para a,b A, a b
ab
Entonces, una funcin f satisface la condicin de Lipschitz si y solo si las pendientes de todos los
segmentos de recta que unen dos puntos de la grfica de y=f(x) en A, estn acotadas por algn
nmero positivo k
Teorema.- Si f : A R, A R es una funcin de Lipschitz, entonces el dominio y el rango de f
son conjuntos acotados.
Sea una ecuacin diferencial de primer orden con una condicin inicial:
y'(x)=f(x,y), y(x0)=y0, x0xxn
Teorema.- Si f es continua en x0xxn, -<y<. Si f satisface la condicin de Lipschitz en la
variable -<y<, entonces la ecuacin diferencial y'(x)=f(x,y), y(x0)=y0 tiene una solucin nica
y(x) en x0xxn
Es decir que f debe ser continua en el rectngulo x0xxn, -<y<, y el cambio de y'(x)=f(x,y)
para diferentes valores de y debe estar acotado.
Adicionalmente, es importante verificar si la solucin calculada es muy sensible a los errores en
la formulacin de la ecuacin diferencial o en la condicin inicial. Se puede detectar esta
situacin calculando numricamente el problema original y el problema modificado con alguna
perturbacin.
9.1.2

Mtodo de la serie de Taylor

Se puede usar este desarrollo para obtener puntos de la solucin a partir de la condicin inicial
conocida y para estimar el error de truncamiento. Debe elegirse la distancia h entre los puntos:

hn+1
hn (n)
h2
(n+1)
yi+1 = yi + hy i +
yi + ... +
y i+
y
(z), xi z xi+1
(n + 1)!
2!
n!
La ventaja de este enfoque es que se puede mejorar la precisin incluyendo ms trminos del
desarrollo. Sin embargo, al usar las derivadas de y(x) se obtienen frmulas aplicables
nicamente para la ecuacin especificada. Esto contrasta con el objetivo de los mtodos
numricos que es proporcionar frmulas generales.

222
Ejemplo. Obtenga dos puntos de la solucin de la siguiente ecuacin diferencial utilizando los
tres primeros trminos de la serie de Taylor. Use h = 0.1
2
y - y - x + x - 1 = 0, y(0) = 1
Solucin
h2
h3
3
yi, E =
y(z) = O(h ) = O(0.001) (Error de truncamiento)
2!
3!
xi+1 = xi + h, i = 0, 1, 2, ...

yi+1 = yi + hy i +

y = f(x, y) = y - x + x + 1,
2
2
y = f(x, y) = y - 2x + 1 = (y - x + x + 1) - 2x + 1 = y - x - x + 2
x0 = 0, y0 = 1, h = 0.1
h2
2
yi+1 = yi + h(yi - x i + xi + 1) +
(yi - 2xi + 1)
(Derivar, sustituir y(x))
2!
h2
2
2
yi+1 = yi + h(yi - x i + xi + 1) +
( yi - x i + xi + 1 - 2xi + 1)
2
Frmula para obtener puntos de la solucin para el ejemplo anterior
2

yi+1 = yi + h(yi - x i + xi + 1) +

h2
2
( yi - x i - xi + 2)
2

xi+1 = xi + h, i = 0, 1, 2, ...
Puntos de la solucin:
i=0:

i=1:

h2
2
( y0 - x 0 - x0 + 2)
2
0.12
2
2
= 1 + 0.1(1 0 + 0 + 1) +
( 1 - 0 0 + 2) = 1.2150
2
x1 = x0 + h = 0 + 0.1 = 0.1
h2
2
2
( y1 - x 1 - x1 + 2)
y2 = y1 + h(y1 - x 1 + x1 + 1) +
2
0.12
2
2
= 1.2150 + 0.1(1.2150 0.1 + 0.1 + 1) +
( 1.2150 0.1 0.1 + 2) = 1.4610
2
x2 = x1 + h = 0.1 + 0.1 = 0.2

y1 = y0 + h(y0 - x

0 + x0 + 1) +

Para comprobar la exactitud comparamos con la solucin exacta: y(x) = e + x + x


y(0.1) = 1.2152
y(0.2) = 1.4614

El error est en el orden de los diezmilsimos y concuerda con el orden del error de truncamiento
para esta frmula
En el siguiente grfico se muestran los dos puntos obtenidos junto con lel grfico de la solucin
analtica exacta. La concordancia es muy buena.

223
9.1.3

Instrumentacin computacional

La siguiente funcin en MATLAB permite obtener puntos de la solucin de una EDO de primer
orden con tres trminos de la Serie de Taylor. La funcin requiere especificar f(x,y), f(x,y), el
punto inicial (x0, y0) y los parmetros h (paso o distancia entre puntos), y m (cantidad de puntos).
y'(x)=f(x,y), y(x0)=y0, x0xxn
h2
h2
yi+1 = yi + hy i +
yi = yi + hf(xi,yi) +
f (xi,yi)
2!
2!
xi+1 = xi + h, i = 0, 1, 2, ...

Ecuacin diferencial:
Serie de Taylor:

function [u,v]=taylor3(f, df, x, y, h, m)


f=inline(f);
df=inline(df);
u=[ ];
v=[ ];
for i=1:m
y=y+h*f(x,y)+h^2/2*df(x,y);
x=x+h;
u(i)=x;
v(i)=y;
end

% f(x,y)
% f(x,y)

% Puntos de la solucin

Ejemplo. Con la funcin taylor3, obtenga 20 puntos de la solucin de la siguiente ecuacin


diferencial. Tabule y grafique los puntos. Use h = 0.1
2
y - y - x + x - 1 = 0, y(0) = 1
2

f(x, y) = y - x + x + 1
2
f(x, y) = y - x - x + 2
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)
>> f=y-x^2+x+1;
>> df=y-x^2-x+2;
>> [u, v] = taylor3(f, df, 0, 1, 0.1, 20);
>> plot(u, v, 'o');
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x')
g = x+x^2+exp(x)
>> hold on;
>> grid on;
>> ezplot(g, [0,2]);

u, v contienen los puntos calculados


Grfico de los puntos calculados
Obtencin de la solucin analtica.

Grfico de la solucin analtica

p( )
14

12

10

0
0

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Solucin numrica con la Serie de Taylor junto con la solucin analtica

224
La instrumentacin de la funcin taylor3 requiere enviar como parmetros f(x,y) y f(x,y). La
derivada de f debe obtenerse previamente dependiendo de la ecuacin que se va a resolver.
En la siguiente seccin se decribe una funcin para obtener las derivadas de y(x) = f(x,y)
computacionalmente.
9.1.4

Obtencin de derivadas de funciones implcitas

Usando el manejo simblico y de texto de MATLAB describimos una funcin para obtener las
derivadas sucesivas de una funcin implcita con sustitucin de las derivadas. La expresin
resultante queda en formato simple y directamente evaluable, por lo tanto puede incorporarse en
un mtodo numrico para evaluar los trminos de la serie de Taylor.

function df=derive(f,nd)
% f es una funcin con variable independiente x, y variable dependiente y
% df derivada resultante
% f, df en formato texto
% nd es el orden de la derivada, nd1
t=char(f);
for j=1:nd
n=length(f);
g='';
for i=1:n
if f(i)=='y';
g=[g,'y(x)'];
else
g=[g,f(i)];
end
end
d=diff(g);
s=char(d);
s=compactar(s);
p=strfind(s,'y(x)');
while length(p)>0
i=p(1);
s(i+1:i+3)='';
p=strfind(s,'y(x)');
end
p=strfind(s,'diff(y,x)');
while length(p)>0
i=p(1);
s(i)='k';
s(i+1:i+8)='';
p=strfind(s,'diff(y,x)');
end
df='';
for i=1:length(s)
if s(i)=='k'
df=[df,'(',t,')'];
else
df=[df,s(i)];
end
end
p=strfind(df,'y(x)');

225
while length(p)>0
i=p(1);
df(i+1:i+3)='';
p=strfind(df,'y(x)');
end
df=sym(df);
f=char(df);
end
df=char(df);
function x=compactar(x)
while length(strfind(x,' '))>0
p=strfind(x,' ');
x(p(1))='';
end
2

Ejemplo. Sea y = y(x), obtenga la primera derivada de y(x) = f(x,y) = y sen(y)-x +x+1
>> f='y^2*sin(y)-x^2+x+1';
>> d=derive(f,1)
d=
y^2*cos(y)*(x + y^2*sin(y) - x^2 + 1) - 2*x + 2*y*sin(y)*(x + y^2*sin(y) - x^2 + 1) + 1
Para evaluar esta derivada se puede usar la funcin eval:
Ejemplo. Evaluar la derivada con x = 1.5, y = 2.3:
>> x=1.5;
>> y=2.3;
>> r=eval(d)
r=
-2.395803456310137
Tambin se puede evaluar con la funcin subs:
>> r=subs(d,{'x','y'},{1.5,2.3})
r=
-2.395803456310137

226
9.1.5

Instrumentacin de un algoritmo general para resolver una E.D.O con la serie de


Taylor

Con la funcin derive se puede instrumentar una funcin para obtener puntos de la solucin de
una ecuacin diferencial ordinaria de primer orden, lineal o no lineal, con una cantidad arbitraria
de trminos de la serie de Taylor con lo cual, en teora, la precisin puede ser ilimitada:
La funcin requiere especificar f = f(x,y) definida en formato texto, el punto inicial (x0, y0) y los
parmetros h (paso o distancia entre puntos), m (cantidad de puntos que se calcularn), k
(orden de la derivada de y(x) = f(x,y) que se desea incluir, k1 ).
Ecuacin diferencial:
y'(x) = f(x,y), y(x0) = y0, x0 x xn
Serie de Taylor:
yi+1 = yi + hf(xi, yi) +

h2 f(1)(x , y ) + h3 f(2)(x , y ) + ... + hk +1 f(k)(x , y )


i
i
i
i
i
i
2!
3!
(k + 1)!

xi+1 = xi + h, i = 0, 1, 2, ...
Error de truncamiento en cada paso:
E = O(h

k+2

function [u,v]=taylorg(f, x, y, h, m, k)
for j=1:k
d=char(derive(f,j));
d=[d,'+0*x+0*y'];
df{j}=inline(d);
end
f=[f,'+0*x+0*y'];
f=inline(f);
u=[ ];
v=[ ];
for i=1:m
t=y+h*f(x,y);
for j=1:k
t=t+h^(j+1)/factorial(j+1)*df{j}(x,y);
end
y=t;
x=x+h;
u(i)=x;
v(i)=y;
end

%Previene que f y sus derivadas


%no contengan ambas variables
%lo cual es un error al evaluarlas

%Trminos de la Serie de Taylor

227
2

Ejemplo. Calcule 5 puntos de solucin de la ecuacin y - y - x + x - 1 = 0, y(0) = 1. Use el


desarrollo de la serie de Taylor hasta la tercera derivada de y(x) = f(x,y), con h = 0.1
yi+1 = yi + hf(xi, yi) +

h2 f(1)(x , y ) + h3 f(2)(x , y ) + h4 f(3)(x , y )


i
i
i
i
i
i
2!
3!
4!

xi+1 = xi + h, i = 0, 1, 2, 4, 5
5

El error de truncamiento en cada paso ser O(h )

>> f='y+x-x^2+1';
>> [u,v]=taylorg(f, 0, 1, 0.1, 5, 3)
u=
0.1000 0.2000 0.3000 0.4000
v=
1.2152 1.4614 1.7399 2.0518

0.5000
2.3987

Este resultado coincide con la solucin exacta en los cuatro decimales mostrados

En las siguientes secciones se describirn algunos mtodos numricos clsicos equivalentes a


usar ms trminos de la serie de Taylor y que no requieren especificar las derivadas de f(x,y).
Estos mtodos usan aproximaciones para las derivadas y tiene la ventaje que pueden
extenderse a sistemas de ecuaciones diferenciales y ecuaciones diferenciales con derivadas de
mayor orden incluyendo ecuaciones diferenciales no lineales.

228
9.1.6

Frmula de Euler

Las siguientes frmulas constituyen los mtodos clsicos para resolver numricamente
ecuaciones diferenciales ordinarias. Son equivalentes a usar varios trminos de la serie de
Taylor pero sustituyen las derivadas por aproximaciones, de tal manera que no se requiere
especificarlas o usar el mtodo de derivacin implcita anterior. Las frmulas y los algoritmos
resultantes son independientes de una EDO particular.
Sea una ecuacin diferencial ordinaria explcita de primer orden con una condicin en el inicio:
y(x) = f(x, y), y(x0) = y0
La frmula de Euler usa los dos primeros trminos de la serie de Taylor:
h2
h2
y(z) = yi + hf(xi, yi) +
y(z), xi z xi+1
yi+1 = yi + hyi +
2!
2!
Definicin: Frmula de Euler
yi+1 = yi + h f(xi ,yi)
xi+1 = xi + h,
h2
2
E=
y(z) = O(h ),
2!

i = 0, 1, 2, ...
xi z xi+1

(Error de truncamiento en cada paso)

Algoritmo para calcular puntos de la solucin de una EDO de primer orden con la frmula
de Euler
1)
2)
3)
4)
5)
6)

Defina f(x,y) y la condicin incial (x0, y0)


Defina h y la cantidad de puntos a calcular m
Para i =1, 2, ..., m
.
yi+1 = yi + h f(xi ,yi)
xi+1 = xi + h
fin

Ejemplo. Obtenga dos puntos de la solucin de la siguiente ecuacin diferencial con la frmula
de Euler. Use h = 0.1
2
y - y - x + x - 1 = 0, y(0) = 1
Ecuacin diferencial
2

y = f(x, y) = y + x - x + 1, x0 = 0, y0 = 1, h = 0.1
Clculo de los puntos
2

i=0:

y1 = y0 + h f(x0, y0) = 1 + 0.1 f(0, 1) = 1 + 0.1(1 + 0 - 0 + 1) = 1.2000;


x1 = x0 + h = 0 + 0.1 = 0.1

i=1:

y2 = y1 + h f(x1, y1) = 1.2 + 0.1 f(0.1, 1.2) = 1.2 + 0.1 (1.2 + 0.1 - 0.1 + 1] = 1.4290
x2 = x1 + h = 0.1 + 0.1 = 0.2

Para comprobar comparamos con la solucin exacta: y(x) = x + x + e


y(0.1) = 1.2152
y(0.2) = 1.4614

El error es significativo. Para reducirlo se pudiera reducir h. Esto hara que el error de
truncamiento se reduzca pero si la cantidad de clculos es muy grande, pudiera acumular error
de redondeo. Una mejor estrategia es usar mtodos ms precisos que no requieran que h sea
muy pequeo.

229

9.1.7

Error de truncamiento y error de redondeo

La frmula de Euler utiliza la pendiente de la recta en cada punto para predecir y estimar la
solucin en el siguiente punto, a una distancia elegida h. La diferencia del punto calculado, con
respecto al valor exacto es el error de truncamiento, el cual puede crecer al proseguir el clculo.

En cada paso el error de truncamiento es:


h2
2
y(z) = O(h ),
E=
2
Para reducir E se debe reducir h puesto que h 0 E0. Sin embargo, este hecho
matemticamente cierto, al ser aplicado tiene una consecuencia importante que es interesante
analizar:
Suponer que se desea calcular la solucin y(x) en un intervalo fijo x0 x xf mediante m puntos
xi = x0, x1, x2, ..., xm espaciados regularmente en una distancia h:
x x0
h= f
m
Sea Ei el error de truncamiento en el paso i, entonces
y1 = y0 + h f(x0, y0) + E1
y2 = y1 + h f(x1, y1) + E2 = y0 + hf(x0, y0) + hf(x1, y1) + E1 + E2
y3 = y2 + h f(x2, y2) + E3 = y0 + hf(x0, y0) + hf(x1, y1) + hf(x2, y2) + E1 + E2 + E3
...
ym = y0 + hf(x0, y0) + hf(x1, y1) + hf(x2, y2) + . . . + hf(xm-1, ym-1) + E1 + E2 + E3 + ... + Em
h2
y(zi )
2
El error de truncamiento acumulado es:

Siendo Ei =

E = E1 + E2 + E3 + ... + Em = mh ( D ) =

xf x0 2
h ( D ) = h[( x f x 0 ) D ]
h

y"(zi )
, independiente
2
de h. Se muestra que el error de truncamiento acumulado es solamente de orden O(h), por lo
tanto h debe ser un valor mas pequeo que el previsto para asegurar que la solucin calculada
sea suficientemente precisa hasta el final del intervalo.

En donde suponemos que existe un valor promedio D de los valores de

230
Por otra parte, cada vez que se evala f(xi, yi) se puede introducir el error de redondeo Ri
debido a los errores en la aritmtica computacional y al dispositivo de almacenamiento.
Entonces, el error de redondeo se pudiera acumular en cada paso y al final del intervalo se
tendr:

xf x0
1
( R ) = [( x f x 0 ) R ]
h
h
R es algn valor promedio del error de redondeo en cada paso, independiente de h.
R = R1 + R2 + R3 + . . . + R m = m ( R ) =

El error total acumulado al realizar los clculos con la frmula de Euler hasta el final del intervalo
es:

1
[( x f x 0 ) R ]
h
Si m es muy grande, h ser muy pequeo y E ser pequeo, pero al reducir h, el error de
redondeo R puede crecer y llegar a ser mayor al error de truncamiento, por lo tanto el resultado
perder precisin en vez de aumentarla, lo cual se acepta equivocadamente como verdadero
porque solamente se considera el error de truncamiento.
EA = E + R = h[( x f x 0 ) D ] +

Como conclusin de lo anterior, es preferible usar frmulas cuyo error de truncamiento E sea de
mayor orden para que el valor de h no requiera ser muy pequeo si se buscan resultados con
alta precisin. Esto retardar tambin el efecto del error de redondeo acumulado R.
9.1.8

Instrumentacin computacional de la frmula de Euler

Una funcin en MATLAB para obtener puntos de la solucin de una EDO de primer orden con
dos trminos de la Serie de Taylor. La funcin requiere especificar f(x,y), el punto inicial (x0, y0) y
los parmetros h (paso o distancia entre puntos), y m (cantidad de puntos).
Ecuacin diferencial:
Serie de Taylor:

y'(x)=f(x,y), y(x0)=y0, x0xxn


yi+1 = yi + hy i = yi + hf(xi,yi)
xi+1 = xi + h, i = 0, 1, 2, ...

function [u,v]=euler(f, x, y, h, m)
f=[f, '+0*x+0*y'];
f=inline(f);
u=[ ];
v=[ ];
for i=1:m
y=y + h*f(x,y);
x=x+h;
u(i)=x;
v(i)=y;
end

%Previene que f no tenga ambas variables


%Se producira un error al evaluar f

Ejemplo. Para el ejemplo anterior, calcule 20 puntos de la solucin espaciados en una distancia
h = 0.1, usando la funcin euler.
2
y - y - x + x - 1 = 0, y(0) = 1
2

f(x, y) = y - x + x + 1
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)

231
>> f=y-x^2+x+1;
>> [u, v]= euler(f, 0, 1, 0.1, 20);
>> plot(u, v, 'o');
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x')
g=
x+x^2+exp(x)
>> hold on;
>> grid on;
>> ezplot(g,[0,2]);

u, v contienen los puntos calculados


Obtencin de la solucin analtica.

Solucin analtica y solucin numrica con la frmula de Euler

9.1.9

Frmula mejorada de Euler o frmula de Heun

Sea la ecuacin diferencial de primer orden con condicin en el inicio: y(x) = f(x, y), y(x0) = y0
La frmula de Heun o frmula mejorada de Euler es aproximadamente equivalente a usar los
tres primeros trminos de la serie de Taylor con un artificio para sustituir la primera derivada de
f(x, y)
h3
h2
h3
h2
yi +
y(z) = yi + hf(xi, yi) +
f(xi, yi) +
y(z), xi z xi+1
yi+1 = yi + hy i +
3!
2!
3!
2!
h2
3
yi+1 = yi + hf(xi, yi) +
f(xi, yi) + O(h )
2
f f
Para evaluar f(xi, yi) usamos una aproximacin simple: fi = i + 1 i + O(h)
h
h
h
h2 fi + 1 fi
3
3
yi+1 = yi + hfi +
[
+ O(h)] + O(h ) = yi + hfi + fi+1 - fi + O(h )
2
2
h
2
h
3
yi+1 = yi + (fi + fi+1) + O(h )
2
Para evaluar fi+1 = f(xi+1, yi+1) se usa yi+1 calculado con la frmula de Euler como aproximacin
inicial:
yi+1 = yi + hf(xi, yi)
h
(f(xi, yi) + f(xi+1, yi+1))
yi+1 = yi +
2
i = 0, 1, 2, ...
xi+1 = xi + h,

Valor usado como una aproximacin


Valor mejorado con la frmula de Heun

Esta frmula se puede re-escribir en forma aproximada como se muestra en la definicin.

232
Definicin:

Frmula de Heun

K1 = hf(xi, yi)
K2 = hf(xi + h, yi + K1)
1
yi+1 = yi + (K1 + K2)
2
i = 0, 1, 2, ...
xi+1 = xi + h,
h3
3
E=
y(z) = O(h ), xi z xi+1
3!

(Error de truncamiento en cada paso)

Grficamente, se puede interpretar que esta frmula calcula cada nuevo punto usando un
promedio de las pendientes en los puntos inicial y final en cada intervalo de longitud h.
3

El error de truncamiento en cada paso es de tercer orden O(h ), y el error de truncamiento


2
acumulado es de segundo orden O(h ), mejor que la frmula de Euler.
Algoritmo para resolver una EDO de primer orden con la frmula de Heun
1) Defina f(x,y) y la condicin incial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i =1, 2, ..., m
4)
K1 = hf(xi, yi)
5)
K2 = hf(xi + h, yi + K1))
1
.
6)
yi+1 = yi + (K1 + K2)
2
7)
xi+1 = xi + h
8) fin
Ejemplo. Obtener dos puntos de la solucin de la siguiente ecuacin diferencial con la frmula
de Heun. Use h = 0.1
2
y - y - x + x - 1 = 0, y(0) = 1
2

y = f(x, y) = x - x + y + 1, x0 = 0, y0 = 1, h = 0.1
Clculos
2

i=0:

K1 = hf(x0, y0) = 0.1 f(0, 1) = 0.1 (0 - 0 +1 + 1) = 0.2000;


2
K2 = hf(x0 + h, y0 + K1) = 0.1 f(0.1, 1.2) = 0.1 [ 0.1 0.1 + 1.2 +1] = 0.2290
1
y1 = y0 + (K1 + K2) = 1 + 0.5(0.2000 + 0.2290) = 1.2145
2
x1 = x0 + h = 0 + 0.1 = 0.1

i=1:

K1 = hf(x1, y1) = 0.1 f(0.1, 1.2145) = 0.1 (0.1 0.1 + 1.2145 + 1) =0.2305;
2
K2 = hf(x1 + h, y1 + K1) = 0.1 f(0.2, 1.4450) = 0.1 [ 0.2 0.2 + 1.4450 + 1] = 0.2605
1
y2 = y1 + (K1 + K2) = 1.2145 + 0.5(0.2305 + 0.2605) = 1.4600
2
x2 = x1 + h = 0.1 + 0.1 = 0.2

Para comprobar comparamos con la solucin exacta: y(x) = x + x + e


y(0.1) = 1.2152
y(0.2) = 1.4614

El error de truncamiento en cada paso est en el orden de los milsimos, coincidiendo


3
aproximadamente con E=O(h )

233
9.1.10 Instrumentacin computacional de la frmula de Heun
Una funcin en MATLAB para obtener puntos de la solucin de una EDO de primer orden con
una frmula aproximada equivalente a usar tres trminos de la Serie de Taylor pero sin describir
la derivada f(x,y). La funcin requiere nicamente f(x,y), el punto inicial (x0, y0) y los parmetros
h (paso o distancia entre puntos), y m (cantidad de puntos).
y'(x)=f(x,y), y(x0)=y0, x0xxn

Ecuacin diferencial:

K1 = hf(xi, yi)
K2 = hf(xi + h, yi + K1)
1
yi+1 = yi + (K1 + K2),
2
i = 0, 1, 2, ...
xi+1 = xi + h,
function [u,v]=heun(f, x, y, h, m)
f=[f, '+0*x+0*y'];
f=inline(f);
u=[ ];
v=[ ];
for i=1:m
k1=h*f(x,y);
k2=h*f(x+h, y+k1);
y=y+0.5*(k1+k2);
x=x+h;
u(i)=x;
v(i)=y;
end

%Previene que f no tenga ambas variables


%Se producira un error al evaluar f

Ejemplo. Para el ejemplo anterior, calcule 20 puntos de la solucin espaciados en una distancia
h = 0.1, usando la funcin heun.
2
y - y - x + x - 1 = 0, y(0) = 1
2

f(x, y) = y - x + x + 1
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)
>> f=y-x^2+x+1;
>> [u, v]= heun(f, 0, 1, 0.1, 20);
>> plot(u, v, 'o');
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x')
g=
x+x^2+exp(x)
>> hold on;
>> grid on;
>> ezplot(g,[0,2]);

u, v contienen los puntos calculados


Obtencin de la solucin analtica.

234

Soluciones analtica y numrica con la frmula de Heun

9.1.11 Frmulas de Runge-Kutta


Estas frmulas utilizan artificios matemticos para incorporar ms trminos de la serie de Taylor.
Describimos la ms popular, denominada frmula de Runge-Kutta de cuarto orden, la cual es
aproximadamente equivalente a incluir los cinco primeros trminos de la Serie de Taylor:
h3
h4
h2
5
f(xi, yi) +
f (xi, yi) +
f(xi, yi) + O(h )
3!
4!
2
xi+1 = xi + h, i = 0, 1, 2, ...

yi+1 = yi + hf(xi, yi) +

Mediante sustituciones de las derivadas por aproximaciones, se desarrolla una frmula que no
requiere especificar las derivadas de f(x,y)
Dada una ecuacin diferencial de primer orden con una condicin en el inicio: y(x) = f(x, y),
y(x0) = y0, se define la frmula de Runge-Kutta de cuarto orden:
Definicin:

Frmula de Runge-Kutta de cuarto orden

K1 = hf(xi, yi)
K2 = hf(xi + h/2, yi + K1/2)
K3 = hf(xi + h/2, yi + K2/2)
K4 = hf(xi + h, yi + K3)
1
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
i = 0, 1, 2, ...
xi+1 = xi + h,
5
h (5)
5
E=
y (z) = O(h ), xi z xi+1
5!

(Error de truncamiento en cada paso)

Grficamente, se puede interpretar que esta frmula calcula cada nuevo punto usando un
promedio ponderado de las pendientes en los puntos inicial, medio y final en cada intervalo de
longitud h.
5

El error de truncamiento en cada paso es de quinto orden O(h ), y el error de truncamiento


4
acumulado es de cuarto orden O(h ), suficientemente exacto para problemas comunes.

235
Algoritmo para resolver una EDO de primer orden con la frmula de Runge-Kutta
1) Defina f(x,y) y la condicin inicial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i =1, 2, ..., m
4)
K1 = hf(xi, yi)
5)
K2 = hf(xi + h/2, yi + K1/2)
6)
K3 = hf(xi + h/2, yi + K2/2)
7)
K4 = hf(xi + h, yi + K3)
1
.
8)
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
9)
xi+1 = xi + h
10) fin

Ejemplo. Obtenga un punto de la solucin de la siguiente ecuacin diferencial con la frmula de


Runge-Kutta de cuarto orden. Use h = 0.1
2
y - y - x + x - 1 = 0, y(0) = 1
Ecuacin diferencial
2
y = f(x, y) = x - x + y + 1, x0 = 0, y0 = 1, h = 0.1
Clculo de puntos
i=0:

K1 = hf(x0, y0) = 0.1 f(0, 1) = 0.1 (0 - 0 +1 + 1) = 0.2000;


2
K2 = hf(x0 + h/2, y0 + K1/2) = 0.1 f(0.05, 1.1) = 0.1 (0.05-0.05 +1.1+1) = 0.2148
2
K3 = hf(x0 + h/2, y0 + K2/2) = 0.1 f(0.05, 1.1074) = 0.1 (0.05-0.05 +1.1074+1) = 0.2155
2
K4 = hf(x0 + h, y0 + K3) = 0.1 f(0.1, 1.2155) = 0.1 (0.1-0.1 +1.2155+1) = 0.2305
1
1
y1 = y0 + (K1 + 2K2 + 2K3 + K4 ) = 1 + [0.2 + 2(0.2148)+2(0.2155)+0.2305] = 1.2152
6
6
x1 = x0 + h = 0 + 0.1 = 0.1
2

Para comprobar comparamos con la solucin exacta: y(x) = x + x + e


y(0.1) = 1.2152

El error de truncamiento en cada paso est en el orden de los cienmilsimos, coincidiendo


5
aproximadamente con E=O(h ). Los resultados tienen una precisin aceptable para la solucin
de problemas prcticos, por lo cual esta frmula es muy utilizada

236
9.1.12 Instrumentacin computacional de la frmula de Runge-Kutta
Una funcin en MATLAB para obtener puntos de la solucin de una EDO de primer orden con
una frmula equivalente a usar cinco trminos de la Serie de Taylor pero sin describir las
derivadas de f(x,y). La funcin requiere especificar f(x,y), el punto inicial (x0, y0) y los parmetros
h (paso o distancia entre puntos), y m (cantidad de puntos).
Ecuacin diferencial: y'(x) = f(x,y), y(x0) = y0, x0 x xn
K1 = hf(xi, yi)
K2 = hf(xi + h/2, yi + K1/2)
K3 = hf(xi + h/2, yi + K2/2)
K4 = hf(xi + h, yi + K3)
1
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
i = 0, 1, 2, ...
xi+1 = xi + h,
function [u,v]=rk4(f, x, y, h, m)
f=[f, '+0*x+0*y'];
f=inline(f);
u=[ ];
v=[ ];
for i=1:m
k1=h*f(x,y);
k2=h*f(x+h/2, y+k1/2);
k3=h*f(x+h/2, y+k2/2);
k4=h*f(x+h, y+k3);
y=y+1/6*(k1+2*k2+2*k3+k4);
x=x+h;
u(i)=x;
v(i)=y;
end

%Previene que f no tenga ambas variables


%Se producira un error al evaluar f

Ejemplo. Para el ejemplo anterior, calcule 20 puntos de la solucin espaciados en una distancia
h = 0.1, usando la funcin rk4.
2
y - y - x + x - 1 = 0, y(0) = 1
2

f(x, y) = y - x + x + 1
x0 = 0, y0 = 1,
h = 0.1,
m = 20 (cantidad de puntos)
>> f=y-x^2+x+1;
>> [u, v]= rk4(f, 0, 1, 0.1, 20);
>> plot(u, v, 'o');
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x')
g=
x+x^2+exp(x)
>> hold on;
>> grid on;
>> ezplot(g,[0,2]);

u, v contienen los puntos calculados


Obtencin de la solucin analtica.

237
14

12

10

Solucin analtica
8

Solucin numrica
4

0
0

0.2

0.4

0.6

0.8

1
x

1.2

1.4

1.6

1.8

Solucin analtica y solucin numrica con la frmula de Runge-Kutta

Encontrar la diferencia entre la solucin numrica y analtica cuando x=1


>> yn=v(10)
yn =
4.718276340387802
>> x=1;
>> ya=eval(g)
ya =
4.718281828459046
>> e=yn-ya
e=
-5.488071243675563e-006

9.2

Solucin numrica en el vector v

Solucin analtica

Sistemas de ecuaciones diferenciales ordinarias de primer orden


con condiciones en el inicio

Los mtodos numricos desarrollados para una ecuacin diferencial ordinaria de primer orden
pueden extenderse directamente a sistemas de ecuaciones diferenciales de primer orden.
Analizamos el caso de dos ecuaciones diferenciales ordinarias de primer orden con condiciones
en el inicio
F(x, y, z, y) = 0, y(x0) = y0
G(x, y, z, z) = 0, z(x0) = z0
Se deben escribir en la notacin adecuada para usar los mtodos numricos
y = f(x, y, z), y(x0) = y0
z = g(x, y, z), z(x0) = z0

238
9.2.1

Frmula de Heun extendida a dos E. D. O. de primer orden

La frmula de Heun o frmula mejorada de Euler para un sistema de dos EDOs de primer orden
con condiciones en el inicio, es una extensin directa de la frmula para una EDO:
Definicin:

Frmula de Heun para un sistema de dos EDO de primer orden


con condiciones en el inicio

K1,y = hf(xi, yi, zi)


K1,z = hg(xi, yi, zi)
K2,y = hf(xi + h, yi + K1,y, zi + K1,z)
K2,z = hg(xi + h, yi + K1,y, zi + K1,z)
1
yi+1 = yi + (K1,y + K2,y)
2
1
zi+1 = zi + (K1,z + K2,z)
2
i = 0, 1, 2, ...
xi+1 = xi + h,
3
E = O(h ), xi z xi+1
(Error de truncamiento en cada paso)
Ejemplo. Obtenga dos puntos de la solucin del siguiente sistema de ecuaciones diferenciales
con la frmula de Heun. Use h = 0.1
y x y z = 0, y(0) = 1
z + x y + z = 0, z(0) = 2
Ecuaciones diferenciales
y = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2
Clculo de dos puntos de la solucin
i=0:

K1,y = hf(x0, y0, z0) = 0.1 f(0, 1, 2) = 0.1 (0 +1 + 2) = 0.3


K1,z = hg(x0, y0, z0) = 0.1 g(0, 1, 2) = 0.1 (-0 +1 - 2) = -0.1
K2,y = hf(x0+h, y0+K1,y, z0+K1,z) = 0.1 f(0.1, 1.3, 1.9) = 0.1 (0.1 + 1.3 + 1.9) = 0.33
K2,z = hg(x0+h, y0+K1,y, z0+K1,z) = 0.1 f(0.1, 1.3, 1.9) = 0.1 (-0.1 + 1.3 - 1.9) = -0.07
1
y1 = y0 + (K1,y + K2,y) = 1 + 0.5(0.3 + 0.33) = 1.3150
2
1
z1 = z0 + (K1,z + K2,z) = 2 + 0.5(-0.1 + (-0.07)) = 1.9150
2
x1 = x0 + h = 0 + 0.1 = 0.1

i=1:

K1,y = hf(x1, y1, z1) = 0.1 f(0.1, 1.3150, 1.9150) = 0.333


K1,z = hg(x1, y1, z1) = 0.1 g(0.1, 1.3150, 1.9150) = -0.07
K2,y = hf(x1+h, y1+K1,y, z1+K1,z) = 0.1 f(0.2, 1.648, 1.845) = 0.3693
K2,z = hg(x1+h, y1+K1,y, z1+K1,z) = 0.1 f(0.2, 1.648, 1.845) = -0.0397
1
y2 = y1 + (K1,y + K2,y) = 1.6662
2
1
z2= z1+ (K1,z + K2,z) = 1.8602
2
x2= x1+ h = 0.1 + 0.1 = 0.2

Para comprobar comparamos con la solucin exacta


y(0.1) = 1.3160, z(0.1) = 1.9150
y(0.2) = 1.6684, z(0.2) = 1.8604

239

Los resultados calculados con la frmula de Heun tienen al menos dos decimales exactos, y
3
coinciden aproximadamente con E=O(h )

9.2.2

Instrumentacin computacional de la frmula de Heun para dos


E. D. O. de primer orden

Una funcin para calcular puntos de la solucin de un sistema de dos ecuaciones diferenciales
ordinarias de primer orden con condiciones en el inicio con la frmula de Heun. La funcin
requiere f(x,y), g(x,y), los puntos iniciales (x0, y0), (x0, z0) y los parmetros h , m (cantidad de
puntos).
function [u,v,w]=heun2(f, g, x, y, z, h, m)
f=[f, '+0*x+0*y+0*z'];
%Previene que f no tenga alguna variable
f=inline(f);
%Se producira un error al evaluar f
g=[g, '+0*x+0*y+0*z'];
%Previene que g no tenga alguna variable
g=inline(g);
%Se producira un error al evaluar g
clear u v w;
for i=1:m
k1y=h*f(x,y,z);
k1z=h*g(x,y,z);
k2y=h*f(x+h,y+k1y,z+k1z);
k2z=h*g(x+h,y+k1y,z+k1z);
y=y+0.5*(k1y+k2y);
z=z+0.5*(k1z+k2z);
x=x+h;
u(i)=x;
v(i)=y;
w(i)=z;
end
Ejemplo. Con la frmula
ecuaciones diferenciales.
y x y z = 0,
z + x y + z = 0,

de Heun obtenga 20 puntos de la solucin del siguiente sistema de


Use h = 0.1
y(0) = 1
z(0) = 2

Ecuaciones diferenciales
y = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2
>> f=x + y + z;
>> g=-x + y - z;
>> [u, v, w]=heun2(f, g, 0, 1, 2, 0.1, 20);
>> plot(u, v, 'o'); hold on
u, v, w contienen los puntos calculados
>> plot(u, w, 'o');
>> [y, z]=dsolve('Dy-x-y-z=0,Dz+x-y+z=0','y(0)=1,z(0)=2','x')
Solucin analtica
y=
3/4*exp(2^(1/2)*x)-3/4*2^(1/2)*exp(-2^(1/2)*x)+3/4*2^(1/2)*exp(2^(1/2)*x)+3/4*exp(2^(1/2)*x)-1/2
z=
3/4*exp(2^(1/2)*x)+3/4*exp(-2^(1/2)*x)-x+1/2
>> ezplot(y, [0,2]);

Superponer la solucin analtica

240
>> ezplot(z, [0,2]);

Solucin analtica y la solucin numrica para el ejemplo anterior


Se observa una coincidencia aceptable.
9.2.3

Frmula de Runge-Kutta para dos EDO de primer orden y condiciones en el inicio

Las frmulas de Runge-Kutta igualmente se pueden extender a sistemas de dos o ms EDOs


de primer orden con condiciones en el inicio.
Analizamos el caso de dos ecuaciones diferenciales ordinarias de primer orden con condiciones
en el inicio, en las que y(x) y z(x) aparecen en forma explcita
F(x, y, z, y) = 0, y(x0) = y0
G(x, y, z, z) = 0, z(x0) = z0
Se pueden escribir en la notacin para uso de los mtodos numricos
y = f(x, y, z), y(x0) = y0
z = g(x, y, z), z(x0) = z0
Definicin:

Frmula de Runge-Kutta de cuarto orden para un sistema de dos EDO


de primer orden con condiciones en el inicio

K1,y = hf(xi, yi, zi)


K1,z = hg(xi, yi, zi)
K2,y = hf(xi + h/2, yi + K1,y/2, zi+ K1,z/2)
K2,z = hg(xi + h/2, yi + K1,y/2, zi+ K1,z/2)
K3,y = hf(xi + h/2, yi + K2,y/2, zi+ K2,z/2)
K3,z = hg(xi + h/2, yi + K2,y/2, zi+ K2,z/2)
K4,y = hf(xi + h, yi + K3,y, zi + K3,z)
K4,z = hg(xi + h, yi + K3,y, zi + K3,z)
1
yi+1 = yi + (K1,y + 2K2,y + 2K3,y + K4,y)
6
1
zi+1 = zi + (K1,z + 2K2,z + 2K3,z + K4,z)
6
i = 0, 1, 2, ...
xi+1 = xi + h,
5
E = O(h ), xi z xi+1
(Error de truncamiento en cada paso)

241
9.2.4

Instrumentacin computacional de la frmula de Runge-Kutta


para dos EDO de primer orden

Una funcin para calcular puntos de la solucin de un sistema de dos ecuaciones diferenciales
ordinarias de primer orden con condiciones en el inicio con la frmula de Runge-Kutta. La funcin
requiere f(x,y), g(x,y), los puntos iniciales (x0, y0), (x0, z0) y los parmetros h , m (cantidad de
puntos).
function [u,v,w]=rk42(f, g, x, y, z, h, m)
f=[f, '+0*x+0*y+0*z'];
%Previene que f no tenga alguna variable
f=inline(f);
%Se producira un error al evaluar f
g=[g, '+0*x+0*y+0*z'];
%Previene que g no tenga alguna variable
g=inline(g);
%Se producira un error al evaluar g
clear u v w;
for i=1:m
k1y=h*f(x,y,z);
k1z=h*g(x,y,z);
k2y=h*f(x+h/2,y+k1y/2,z+k1z/2);
k2z=h*g(x+h/2,y+k1y/2,z+k1z/2);
k3y=h*f(x+h/2,y+k2y/2,z+k2z/2);
k3z=h*g(x+h/2,y+k2y/2,z+k2z/2);
k4y=h*f(x+h,y+k3y,z+k3z);
k4z=h*g(x+h,y+k3y,z+k3z);
y=y+1/6*(k1y+2*k2y+2*k3y+k4y);
z=z+1/6*(k1z+2*k2z+2*k3z+k4z);
x=x+h;
u(i)=x;
v(i)=y;
w(i)=z;
end
Ejemplo. Con la frmula de Runge-Kutta obtenga 20 puntos de la solucin del siguiente sistema
de ecuaciones diferenciales. Use h = 0.1
y x y z = 0, y(0) = 1
z + x y + z = 0, z(0) = 2
Ecuaciones diferenciales
y = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2
>> f=x + y + z;
>> g=-x + y - z;
>> [u, v, w]=rk42(f, g, 0, 1, 2, 0.1, 20);
>> plot(u, v, 'o'); hold on
u, v, w contienen los puntos calculados
>> plot(u, w, 'o');
>> [y, z]=dsolve('Dy-x-y-z=0,Dz+x-y+z=0','y(0)=1,z(0)=2','x')
Solucin analtica
y=
3/4*exp(2^(1/2)*x)-3/4*2^(1/2)*exp(-2^(1/2)*x)+3/4*2^(1/2)*exp(2^(1/2)*x)+3/4*exp(2^(1/2)*x)-1/2
z=
3/4*exp(2^(1/2)*x)+3/4*exp(-2^(1/2)*x)-x+1/2
>> ezplot(y, [0,2]);
>> ezplot(z, [0,2]);

Superponer la solucin analtica

242

Solucin analtica y la solucin numrica con la frmula de Runge-Kutta


9.3

Ecuaciones diferenciales ordinarias de mayor orden y condiciones en el inicio

Mediante sustituciones estas ecuaciones se transforman en sistemas de ecuaciones


diferenciales ordinarias de primer orden con condiciones en el inicio y se aplican los mtodos
numricos como en la seccin anterior.
Analizamos el caso de una ecuacin diferencial ordinaria de segundo orden con condiciones en
el inicio, en la que y(x) y y(x) aparecen en forma explcita
G(x, y, y, y) = 0, y(x0) = y0, y(x0) = y0
Mediante la sustitucin
z = y
Se tiene
G(x, y, z, z) = 0
Se puede escribir como un sistema de dos ecuaciones diferenciales de primer orden siguiendo la
notacin anterior:
y = f(x, y, z) = z
z = g(x, y, z)
expresin que se obtiene despejando z de G
Con las condiciones iniciales
y(x0) = y0
z(x0) = y0 = z0
Es un sistema de dos ecuaciones diferenciales de primer orden con condiciones en el inicio.
Ejemplo. Calcule un punto de la solucin de la siguiente ecuacin diferencial de segundo orden
con condiciones en el inicio, con la frmula de Runge-Kutta de cuarto orden, h = 0.1
y y x + y + 1 = 0, y(0) = 1, y(0) = 2
Mediante la sustitucin z = y se obtiene
z z x + y + 1 = 0
Constituyen un sistema de dos ecuaciones diferenciales de primer orden que se puede escribir
y = f(x,y,z) = z,
y(0) = 1
z = g(x,y,z) = x y + z 1,
z(0) = 2

243
Clculo de los puntos de la solucin
i=0:

x0 = 0, y0 = 1, z0 = 2
K1,y = hf(x0, y0, z0) = 0.1 f(0, 1, 2) = 0.1 (2) = 0.2
K1,z = hg(x0, y0, z0) = 0.1 g(0, 1, 2) = 0.1 (0 1 + 2 1) = 0
K2,y = hf(x0 + h/2, y0 + K1,y/2, z0+ K1,z/2) = 0.1f(0.05, 1.1, 2) = 0.1( 2) = 0.2
K2,z = hgx0 + h/2, y0 + K1,y/2, z0+ K1,z/2) = 0.1g(0.05, 1.1, 2) =0.1(0.05-1.1+2-1) = -0.005
K3,y = hf(x0 + h/2, y0 + K2,y/2, z0+ K2,z/2) = 0.1 f( 0.05, 1.1, 1.9975) = 0.1998
K3,z = hg(x0 + h/2, y0 + K2,y/2, z0+ K2,z/2) = 0.1 g( 0.05, 1.1, 1.9975) = -0.0052
K4,y = hf(x0 + h, y0 + K3,y, z0 + K3,z) = 0.1 f(0.1, 1.1998, 1.9948) = 0.1995
K4,z = hgx0 + h, y0 + K3,y, z0 + K3,z) = 0.1 g0.1, 1.1998, 1.9948) = -0.0105

1
(K1,y + 2K2,y + 2K3,y + K4,y) = 1 +
6
1
z1 = z0 + (K1,z + 2K2,z + 2K3,z + K4,z) = 2 +
6
x1 = x0 + h = 0 + 0.1 = 0.1
y1 = y0 +

9.3.1

1
[0.2+2(0.2)+2(0.1998)+0.1995] = 1.1998
6
1
[0+2(-0.005)+2(-0.0052)-0.0105]=1.9948
6

Instrumentacin computacional

Al transformar la ecuacin diferencial de segundo orden a un sistema de dos ecuaciones


diferenciales de primer orden se pueden usar las mismas funciones desarrolladas anteriormente.
Para el ejemplo anterior se usar funcin rk42
Ejemplo. Con la frmula de Runge-Kutta obtenga 20 puntos de la solucin de la ecuacin
diferencial y y x + y + 1 = 0, y(0) = 1, y(0) = 2. Use h = 0.1
Mediante la sustitucin z = y se obtiene
z z x + y + 1 = 0
Constituyen un sistema de dos ecuaciones diferenciales de primer orden que se puede escribir
y = f(x,y,z) = z,
y(0) = 1
z = g(x,y,z) = x y + z 1,
z(0) = 2
>> f='z';
>> g='x - y + z - 1';
>> [u, v] = rk42(f, g, 0, 1, 2, 0.1, 20);
>> plot(u, v, 'o'), hold on
u, v contienen los puntos calculados
>> y = dsolve('D2y-Dy-x+y+1=0','y(0)=1,Dy(0)=2','x')
Solucin analtica
y=
x+1/3*3^(1/2)*exp(1/2*x)*sin(1/2*3^(1/2)*x)+exp(1/2*x)*cos(1/2*3^(1/2)*x)
>> ezplot(y, [0,2]);
Superponer la solucin analtica

244

Solucin analtica y la solucin numrica calculada con la frmula de Runge-Kutta

9.4

Ecuaciones diferenciales ordinarias no lineales

Los mtodos numricos pueden aplicarse igualmente para calcular la solucin aproximada de
ecuaciones diferenciales ordinarias no lineales, para las cuales no es posible o pudiese ser muy
laborioso obtener la solucin analtica

Ejemplo. Obtenga numricamente la solucin de la ecuacin


y + yy - x + y - 3 = 0, y(0) = 1, y(0) = 2, 0x2
Mediante la sustitucin z = y, se obtiene
z + yz - x + y - 3 = 0
Es un sistema de dos ecuaciones diferenciales de primer orden que se puede escribir
y = f(x,y,z) = z,
y(0) = 1
z = g(x,y,z) = x y - yz + 3,
z(0) = 2
Usamos la misma funcin RK42 para resolver el ejemplo. Previamente es transformada a un
sistema de dos ecuaciones diferenciales de primer orden.
Calcular 20 puntos espaciados en una distancia 0.1 del ejercicio anterior usando la frmula de
Runge-Kutta de cuarto orden.
La sintaxis de MATLAB requiere que las funciones que sern evaluadas tengan todas las
variables. Por esto se colocan las variables faltantes multiplicadas por cero:
>> f='0*x + 0*y + z';
>> g='x - y - y*z + 3';
>> [u, v]=rk42(f, g, 0, 1, 2, 0.1, 20);
>> plot(u, v, 'o'), hold on
u, v contienen los puntos calculados
>> y = dsolve('D2y+y*Dy-x+y-3','y(0)=1,Dy(0)=2','x')
Warning: Explicit solution could not be found

MATLAB no pudo encontrar


la solucin analtica

245

Solucin numrica calculada con la frmula de Runge-Kutta

9.5 Convergencia y estabilidad numrica


Los mtodos numricos que se utilizan para resolver una ecuacin diferencial, como se muestra
en los ejemplos anteriores, proporcionan una solucin discreta aproximada. Para algunas
ecuaciones diferenciales ordinarias, nicamente se tiene esta solucin discreta por lo que es de
inters verificar de alguna manera su existencia y convergencia.
La convergencia numrica puede hacerse variando el parmetro h del mtodo numrico
seleccionado y cuantificando la tendencia de algunos puntos de control de la solucin calculada
Un indicio de la existencia de la solucin se puede observar en los resultados grficos y
numricos verificando que no contenga puntos singulares.
Adicionalmente, es importante verificar si la solucin obtenida es muy sensible a los errores en la
formulacin de la ecuacin diferencial o en la condicin inicial. Se puede detectar esta situacin
calculando numricamente el problema original y el problema con alguna perturbacin. Si la
solucin cambia significativamente puede interpretarse que el problema no est bien planteado.

246
9.6

Ecuaciones diferenciales ordinarias con condiciones en los bordes

En esta seccin revisaremos los mtodos numricos para resolver ecuaciones diferenciales
ordinarias para las cuales se proporcionan condiciones iniciales en los bordes, siendo de inters
conocer la solucin en el interior de esta regin, como en el siguiente ejemplo:
y - y + y - 2e - 3 = 0, y(0) = 1, y(1) = 5, 0 x 1
x

9.6.1

Mtodo de prueba y error (mtodo del disparo)

Una opcin para obtener la solucin numrica consiste en realizar varios intentos suponiendo
una condicin adicional en el inicio para poder usar los mtodos vistos anteriormente. Para el
ejemplo anterior probamos:
x
y - y + y - 2e - 3 = 0, y(0) = 1, y(0) = 1, 0 x 1
Esta es ahora una ecuacin diferencial de segundo orden con condiciones en el inicio, la cual se
puede re-escribir como dos ecuaciones diferenciales de primer orden:
y = f(x,y,z) = z,
y(0) = 1
x
z = g(x,y,z) = 2e - y + z + 3, z(0) = 1
Aqu se puede aplicar alguno de los mtodos estudiados (Heun, Runge-Kutta, etc.). El clculo
debe continuar hasta llegar al otro extremo del intervalo de inters. Entonces se debe comparar
el resultado obtenido en el extremo derecho con el dato dado para ese borde: y(1) = 5.
Esto permite corregir la condicin inicial supuesta y volver a calcular todo nuevamente. Este
procedimiento se puede repetir varias veces.
En la siguiente figura se observan tres intentos con el mtodo de Runge-Kutta de cuarto orden
probando con valores iniciales z(0) = y(0) = 1, 0.5, 0.8
Usamos la conocida funcin rk42 para resolver el ejemplo. Se calculan 20 puntos de la solucin
espaciados en una distancia 0.05
>> f='z';
>> g='2*exp(x) - y + z+3';
>> x=0;
>> y=1;
>> z=1;
>> [u,v] = rk42(f, g, x, y, z, 0.05, 20);
>> plot(u, v, 'o'), grid on, hold on

Este valor es modificado en cada intento


u, v contienen los puntos calculados

247

Tres intentos con el mtodo de Prueba y Error para el ejemplo anterior


Para sistematizar la eleccin del valor inicial es preferible usar una interpolacin para asignar el
siguiente valor de y(0) en los siguientes intentos.
Sean

ya, yb
ya, yb
yn
y0

valores elegidos para y(0) en dos intentos realizados


valores obtenidos para y en el extremo derecho del intervalo, en los intentos
valor suministrado como dato para el extremo derecho del intervalo
nuevo valor corregido para y(0) para realizar un nuevo intento

Usamos una recta para predecir el valor para y0:


y' y'a
yb ya
=
yb yn
(y'b y'0 ) y'0 =
y'b b
(yb yn )
yb ya
y' b y'a

Para el ejemplo anterior, se tienen


ya = 1
yb = 0.5
(valor obtenido en el extremo derecho, con ya = 1)
ya = 5.6142
(valor obtenido en el extremo derecho, con yb = 0.5)
yb = 4.8891
(dato)
yn = 5
Con los que se obtiene
0.5 1
y '0 =
0.5
(4.8891 5) = 0.5765
4.8891 5.6142
Al realizar la siguiente prueba con este valor de y(0) se comprueba que la solucin calculada
est muy cerca de la solucin analtica. Se puede verificar que el punto final calculado y(xn)
coincide en cinco decimales con el dato suministrado y(1) = 5
Este mtodo tambin se puede usar para resolver ecuaciones diferenciales ordinarias no
lineales con condiciones en los bordes.

248
9.6.2

Mtodo de diferencias finitas

Este es un enfoque ms general para resolver ecuaciones diferenciales ordinarias con


condiciones en los bordes. Consiste en sustituir las derivadas por aproximaciones de diferencias
finitas. La ecuacin resultante se denomina ecuacin de diferencias y puede resolverse por
mtodos algebraicos.
Es importante usar en la sustitucin aproximaciones del mismo orden para las derivadas, de tal
manera que la ecuacin de diferencias tenga consistencia en el error de truncamiento.
2

Aproximaciones de diferencias finitas de segundo orden O(h ) conocidas:


y yi 1
2
+ O(h )
y i = i + 1
2h
yi + 1 2yi + yi 1
2
+ O(h )
y i =
h2
Ejemplo. Sustituya las derivadas por diferencias finitas en la EDO del ejemplo anterior
x
y - y + y - 2e - 3 = 0, y(0) = 1, y(1) = 5
La sustitucin convierte la ecuacin original en una ecuacin discretizada:
yi + 1 2yi + yi 1 yi + 1 yi 1
+ yi - 2 e xi - 3 = 0, i = 1, 2, ..., n-1
2h
h2
Siendo n la cantidad de divisiones espaciadas en h en que se ha dividido el intervalo 0x1
2

La ecuacin resultante se denomina ecuacin de diferencias con error de truncamiento O(h ).


Esta ecuacin es consistente pues su lmite, cuando h0 es la ecuacin diferencial original.
Para facilitar los clculos es conveniente expresar la ecuacin de diferencias en forma estndar
agrupando trminos:

(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e x + 6h2, i = 1, 2, ..., n-1


i

Para describir el uso de esta ecuacin, supondremos que h=0.25. En la realidad debera ser
ms pequeo para que el error de truncamiento se reduzca. Con este valor de h el problema se
puede visualizar de la siguiente manera

y0 = y(0) = 1, (dato en el borde izquierdo)


y4 = y(1) = 5, (dato en el borde derecho)
y1, y2, y3 , son los puntos que se calcularn
A continuacin se aplica la ecuacin de diferencias en los puntos especificados

249
2

(2+h)yi-1 + (2h -4)yi + (2-h)yi+1 = 4h e xi + 6h , i = 1, 2, 3


i=1:
i=2:
i=3:

(2+0.25)y0 + (2(0.25 )-4)y1 + (2-0.25)y2 = 4(0.25 ) e0.25 + 6(0.25 )


-3.875y1 + 1.75y2 = -1.5540
2
2
2
(2+0.25)y1 + (2(0.25 )-4)y2 + (2-0.25)y3 = 4(0.25 ) e0.5 + 6(0.25 )
2.25y1 - 3.875y2 + 1.75y3 = 0.7872
2
2
2
(2+0.25)y2 + (2(0.25 )-4)y3 + (2-0.25)y4 = 4(0.25 ) e0.75 + 6(0.25 )
2.25y2 - 3.875y3 = -7.9628

Estas tres ecuaciones conforman un sistema lineal

0 y1 1.5540
3.875 1.75

2.25

3.875 1.75 y2 =

0.7872
2.25
3.875 y3 7.9628
0
Cuya solucin es
y1 = 1.3930, y2 = 2.1964, y3 = 3.4095
En el siguiente grfico se visualizan los resultados calculados

Fig. Comparacin de la solucin numrica y la solucin analtica

La aproximacin no es muy buena. Esto se debe a que la cantidad de puntos es muy pequea.
Si se desea una mejor aproximacin se debe reducir h.
El siguiente grfico muestra la solucin calculada con n=20. A este valor de n le corresponde
h=0.05.
Se obtiene un sistema de 19 ecuaciones lineales cuyas incgnitas son los puntos interiores. Se
observa que los resultados tienen una aproximacin aceptable

250

Las ecuaciones que se obtienen con el mtodo de diferencias conforman un sistema tridiagonal
de ecuaciones lineales. Estos sistemas pueden resolverse con un algoritmo definido en un
captulo anterior el cual tiene eficiencia tipo T(n) = O(n)

9.6.3 Instrumentacin computacional


Dada la ecuacin diferencial de segundo orden con condiciones en los bordes:
F(x, y(x), y(x), y(x)) = 0, (x0, y0), (xn, yn)
La siguiente instrumentacin computacional del mtodo de diferencias finitas corresponde a la
solucin de la ecuacin de diferencias que resulta despus del reemplazo de las derivadas y
luego de ser escrita en forma estandarizada:
(P)yi-1 + (Q)yi + (R)yi+1 = (S), i = 1, 2, 3, . . . , n-1
En donde P, Q, R, S son expresiones que pueden contener xi y h, siendo x la variable
independiente. La funcin entrega los puntos calculados de la solucin x, y en los vectores u, v.
Los puntos en los bordes: (x0, y0) y (xn, yn) son dados como datos, n es la cantidad de sub
intervalos espaciados a una distancia h.

function [u,v] = edodif(P, Q, R, S, x0, y0, xn, yn, n)


% Mtodo de Diferencias Finitas
% Solucin de una EDO con condiciones constantes en los bordes
h=(xn-x0)/n;
clear a b c d;
for i=1:n-1
x=x0+h*i;
a(i)=eval(P);
% Diagonales del sistema tridiagonal
b(i)=eval(Q);
c(i)=eval(R);
d(i)=eval(S);
u(i)=x;
end
d(1)=d(1)-a(1)*y0;
%correccin para la primera ecuacin
d(n-1)=d(n-1)-c(n-1)*yn;
%correccin para la ltima ecuacin
v=tridiagonal(a,b,c,d);
%solucion del sistema tridiagonal

251
x

Ejemplo. Use la funcin EDODIF para resolver el ejemplo anterior y - y + y - 2e - 3 = 0,


y(0) = 1, y(1) = 5, con n=20 sub intervalos
Forma estndar de la ecuacin de diferencias para el ejemplo anterior, luego del reemplazo de
las derivadas:
2

(2+h)yi-1 + (2h -4)yi + (2-h)yi+1 = 4h e xi + 6h , i=1, 2,..., n-1; y0=y(0)=1; yn=y(1)=5


Escribimos directamente en la ventana de comandos:
>>
>>
>>
>>
>>
>>
>>
>>

P='2+h';
Q='2*h^2-4';
R='2-h';
S='4*h^2*exp(x)+6*h^2';
[u,v]=edodif(P,Q,R,S,0,1,1,5,20);
plot(u,v,'o');
y=dsolve('D2y-Dy+y-2*exp(x)-3=0','y(0)=1','y(1)=5','x');
hold on, ezplot(y,[0,1])

%Solucin analtica

Comparacin de las soluciones analtica y numrica para el ejemplo anterior

252
9.6.4

Ecuaciones diferenciales ordinarias con condiciones en los bordes con derivadas

Consideremos una variacin del problema anterior:


y - y + y - 2e - 3 = 0, y(0) = 0.5, y(1) = 5, 0 x 1
x

Luego de sustituir las derivadas y simplificar se tiene la ecuacin de diferencias como antes:
2

(2+h)yi-1 + (2h -4)yi + (2-h)yi+1 = 4h e xi + 6h , i = 1, 2, ..., n-1


Por simplicidad, consideremos que h = 0.25

El punto y0 tambin es desconocido. Ahora aplicamos la ecuacin de diferencias en cada uno de


los puntos desconocidos, incluyendo el punto y0
2
2
2
(2+h)yi-1 + (2h -4)yi + (2-h)yi+1 = 4h e xi + 6h , i = 0, 1, 2, 3
2

(2+0.25)y-1 + (2(0.25 )-4)y0 + (2-0.25)y1 = 4(0.25 ) e 0 + 6(0.25 )


2.25y-1- 3.875y0 + 1.75y1 = 0.6250
2
2
2
i=1:
(2+0.25)y0 + (2(0.25 )-4)y1 + (2-0.25)y2 = 4(0.25 ) e0.25 + 6(0.25 )
2.25y0 - 3.875y1 + 1.75y2 = 0.6960
2
2
2
i=2:
(2+0.25)y1 + (2(0.25 )-4)y2 + (2-0.25)y3 = 4(0.25 ) e0.5 + 6(0.25 )
2.25y1 - 3.875y2 + 1.75y3 = 0.7872
2
2
2
i=3:
(2+0.25)y2 + (2(0.25 )-4)y3 + (2-0.25)y4 = 4(0.25 ) e0.75 + 6(0.25 )
2.25y2 - 3.875y3 = -7.8475
Se obtiene un sistema de cuatro ecuaciones con cinco incgnitas: y-1, y0, y1, y2, y3 .
Se ha introducido un punto ficticio y-1
i=0:

Usamos una aproximacin central de segundo orden para la primera derivada


y y 1
de donde se obtiene que y-1 = y1 - 2h(0.5) = y1 - 0.25
y 0 = 0.5 = 1
2h
Esto permite eliminar el punto ficticio y-1 en la primera ecuacin anterior:
i=0:

2.25(y1 - 0.25) - 3.875y0 + 1.75y1 = 0.6250 -3.875y0 + 4y1 = 1.1875

Finalmente, el sistema se puede escribir:


4
0
0 y0 1.1875
3.875
2.25
3.875 1.75
0 y1 0.6960

=
0
2.25
3.875 1.75 y2 0.7872

0
2.25
3.875 y3 7.8475
0
Cuya solucin es:

y0 = 1.4738, y1 = 1.7246, y2 = 2.3216, y3 = 3.3732

253
El sistema resultante tiene forma tridiagonal, y por lo tanto se puede usar un algoritmo especfico
muy eficiente para resolverlo.
Otra alternativa sera la aplicacin de la ecuacin de diferencias en los puntos interiores. Se
obtendra un sistema de tres ecuaciones con las cuatro incgnitas: y0, y1, y2, y3. La cuarta
ecuacin se la obtendra con una frmula de segundo orden para la derivada en el punto
izquierdo definida con los mismos puntos desconocidos:
3y0 + 4y1 y2
y 0 = 0.5 =
2h
El inconveniente es que el sistema final no tendr la forma tpica tridiagonal, conveniente para
resolver el sistema de ecuaciones con eficiencia.

9.6.5

Instrumentacin computacional

La siguiente instrumentacin del mtodo de diferencias finitas permite resolver problemas de tipo
similar al ejemplo anterior, con una derivada en el borde izquierdo. Instrumentaciones similares
pueden desarrollarse si la derivada est en el borde derecho, o si ambos bordes contienen
derivadas. La funcin entrega los n-1 puntos calculados de la solucin x, y en los vectores u, v
Dada la ecuacin diferencial de segundo orden con condiciones en los bordes:
F(x, y(x), y(x), y(x)) = 0, dados (x0, y0), (xn, yn)
Se conocen los datos en los bordes: (x0, y0) y (xn, yn), n es la cantidad de sub intervalos
espaciados a una distancia h.
La ecuacin de diferencias que se obtiene luego de la sustitucin de las derivadas debe
escribirse en forma estandarizada
(P)yi-1 + (Q)yi + (R)yi+1 = (S), i = 1, 2, 3, . . . , n-1, con los datos (x0, y0), (xn, yn)
En donde P, Q, R, S son expresiones que pueden contener xi y h
Dato de la derivada en el borde izquierdo:

y1 y 1
de donde se obtiene y-1 = y1 - 2h(y 0)
2h
Ecuacin de diferencias aplicada en el borde izquierdo: i = 0
y 0 =

(P)(y-1) + (Q)y0 + (R)y1 = (S)


Reemplazando el dato de la derivada
(P)(y1 - 2hy0) + (Q)y0 + (R)y1 = (S)
Se obtiene la primera ecuacin:
(Q)y0 + (P + R)y1 = (S) + (P)2hy0

254

function [u,v]=edodifdi(P,Q,R,S,x0,dy0,xn,yn,n)
% Mtodo de Diferencias Finitas
% Solucin de una EDO con una derivada a la izquierda
% y una condicin constante a la derecha
h=(xn-x0)/n;
clear a b c d;
for i=1:n
% corresponde a las ecuaciones i = 0, 1, 2, ..., n-1
x=x0+h*(i-1);
a(i)=eval(P);
b(i)=eval(Q);
c(i)=eval(R);
d(i)=eval(S);
u(i)=x;
end
x=h;
c(1)=eval(P)+eval(R);
%correccin para la primera ecuacin
d(1)=eval(S)+eval(P)*2*h*dy0;
d(n)=d(n)-c(n)*yn;
%correccin para la ltima ecuacin
v=tridiagonal(a,b,c,d);
%solucion del sistema tridiagonal

Uso de la funcin EDODIFDI para resolver el ejemplo anterior, con n=20 subintervalos
y - y + y - 2e - 3 = 0, y(0) = 0.5, y(1) = 5, 0 x 1
x

Forma estndar de la ecuacin de diferencias


2

(2+h)yi-1 + (2h -4)yi + (2-h)yi+1 = 4h e xi + 6h


(P)yi-1 + (Q)yi + (R)yi+1 = (S),

Escribimos directamente en la ventana de comandos:


>> P='2+h';
>> Q='2*h^2-4';
>> R='2-h';
>> S='4*h^2*exp(x)+6*h^2';
>> [u,v]=edodifdi (P,Q,R,S,0,0.5,1,5,20);
>> plot(u,v,'o');
>> y=dsolve('D2y-Dy+y-2*exp(x)-3=0','Dy(0)=0.5','y(1)=5','x');
>> hold on, ezplot(y, [0,1])

255

Comparacin de las soluciones analtica y numrica para el ejemplo anterior

9.6.6

Normalizacin del dominio de la E.D.O

Previamente a la aplicacin de los mtodos numricos es conveniente normalizar la ecuacin


diferencial llevndola al dominio [0, 1] mediante las siguientes sustituciones. De esta manera se
puede constatar que el valor elegido para h es apropiado.
Ecuacin diferencial original
F(x, y(x), y(x), y(x) ) = 0, y(a) = u, y(b) = v, a x b
Mediante las sustituciones:
x = (b a)t + a: t = 0 x = a, t = 1 x = b,

dt
1
=
dx b a

y '(x)
=

dy dy dt
1 dy
1
=
=
=
y '(t)
dx dt dx b a dt b a

=
y ''(x)

d2 y
d dy
d dy dt
d
1 dy dt
1
d2 y
1
=
=
=
=
=
(
)
(
)
(
)
y ''(t)
2
2
2
dx dx
dt dx dx dt b a dt dx (b a) dt
dx
(b a)2

Se obtiene la ecuacin diferencial normalizada


F(t , y(t), y'(t) , y ''(t) ) = 0, y(0) = u, y(1) = v, 0 t 1

256
9.7

Ejercicios con ecuaciones diferenciales ordinarias

1. Obtenga dos puntos de la solucin de la siguiente ecuacin diferencial utilizando tres trminos
de la Serie de Taylor. Use h = 0.1
2
y- 2x + 2y + 3=0, y(0)=1
2. Dada la siguiente ecuacin diferencial ordinaria de primer orden
2

y- 2y + 2x x + 3 = 0, y(0)=1.2
a) Obtenga dos puntos de la solucin con la frmula de Euler. Use h = 0.1
b) Obtenga dos puntos de la solucin con la frmula de Heun. Use h = 0.1
c) Obtenga dos puntos de la solucin con la frmula de Runge-Kutta de cuarto orden.
Use h = 0.1
2
2x
d) Compare con la solucin exacta: y(x) = x/2 + x 11/20 e + 7/4
3. Al resolver una ecuacin diferencial con un mtodo numrico, el error de truncamiento tiende a
acumularse y crecer. Use el mtodo de Euler con h=0.1 para calcular 10 puntos de la solucin de
la ecuacin:
y' 2x + 5y 1 = 0, y(0) = 2
-5x

Compare con la solucin analtica y(x) = 2x/5 + 47/25 e +3/25. Observe que el error de
truncamiento tiende a reducirse. Explique este comportamiento.
4. La solucin exacta de la ecuacin diferencial: y' 2xy = 1, y(0)=y0 es
2

=
y(x) e x (

erf(x) + y0 ) , donde erf(x) =


2

e t dt
2

Encuentre y(0.4) de la ecuacin diferencial: y' 2xy = 1, y(0)=1


a) Con la frmula de Runge-Kutta, h=0.2
b) Evaluando la solucin exacta con la cuadratura de Gauss con dos puntos
5. Dada la siguiente ecuacin diferencial ordinaria de segundo orden
y- y - sen(x) + y + 1 = 0, y(0)=1.5, y(0) = 2.5
a) Obtenga dos puntos de la solucin con la frmula de Heun. (h = 0.1)
b) Obtenga un punto de la solucin con la frmula de Runge-Kutta de cuarto orden.
(h = 0.1)
c) Compare con la solucin exacta. Obtngala con la funcin dsolve de MATLAB
6. Dada la siguiente ecuacin diferencial
2y(x) 3y(x) + 2x = 5, y(1) = 2, y(3) = 4
a) Normalice la ecuacin diferencial en el intervalo [0, 1]
b) Use el mtodo de diferencias finitas y obtenga la solucin, h = 0.2 en el intervalo normalizado.

257
7. Dada la siguiente ecuacin diferencial
2
y'' + y' - y + 2x - 3x - 4 = 0, 2x5, y(2) = 11, y(5) = 56
a) Normalice la ecuacin al intervalo 0 t 1
b) Sustituya las derivadas por aproximaciones de diferencias finitas de segundo orden y
simplifique a la forma : P yi-1 + Q yi + R yi+1 = S
c) Resuelva el sistema resultante y obtenga la solucin. Use h=0.2
8. La siguiente es una ecuacin diferencial no lineal conocida con el nombre de Ecuacin de Van
der Pol y describe un sistema vibratorio masa-resorte-amortiguador:
x(t):

mx ''+ (x 2 1)x '+ kx =


0,

x(0)=0.75, x'(0)=0

En donde x es la amplitud de vibracin, t es tiempo, m es masa, k es la constante elstica del


resorte y es el coeficiente de amortiguamiento.
Con la frmula de Heun (Euler Mejorado) calcule x(t), t=0.1, 0.2, 0.3. ..., 1.0
Use = 4, k=1, m=1

9. La distribucin de temperatura u(x) en estado estable de una barra de longitud L con una
fuente de calor Q(x), temperatura constante en el extremo derecho y aislada en el extremo
izquierdo, est dada por
u''+ Q(x) =
0 , u'(0) = 0 , u(L) = T
2

Resuelva para T=100, Q(x)=x , L=1. Use el mtodo de diferencias finitas, h=0.2
10. Un problema importante en ingeniera es la deflexin de una viga de seccin transversal
uniforme sujeta a una carga distribuida y colocada con sus extremos apoyados de forma tal que
no pueden deflectarse, como se muestra en la figura:

d 2w
S
qx
La ecuacin que describe esta situacin fsica es:
=
w+
( x L)
2
2 EI
EI
dx
Siendo w(x): deflexin a una distancia x desde el extremo izquierdo.
q: intensidad de carga por unidad de longitud. E: mdulo de elasticidad.
S: tensin en los puntos extremos. I: momento principal de inercia. L: longitud de la viga.
La condicin de no deflexin en los extremos se expresa con: w(0) = w(L) = 0.
Suponga una viga de acero con las siguientes caractersticas:
7

L = 10 m, q = 1460 N/m, E = 20.7 x 10 kPa, S = 4.4 kN, I = 5 m .


Calcule con un mtodo numrico la deflexin de la viga cada 2 m.

258
11. Para resolver la siguiente ecuacin diferencial ordinaria no lineal
2
y = x(y) , 1x2
y(1) = 1.1071, y(1) = -0.4
Use la frmula mejorada de Euler (frmula de Heun) con h = 0.25, 1x2
Tabule los resultados obtenidos junto con los valores calculados con la solucin exacta y(x) =
arc cot(x/2). Comente el resultado de esta comparacin.
12. Una masa m = 1/8 se suspende en un resorte de constante k = 2. Inicialmente se la estira
hacia abajo 1.0 y se aplica una fuerza externa f(t) = 8sen(t). Entonces el desplazamiento vertical
Y(t) se describe con la siguiente ecuacin, en donde t es tiempo:

Y ''+

k
f(t)
Y=
m
m

Con el mtodo de diferencias finitas, h=0.1, encuentre Y(t) entre: Y(0) = -1 y Y(1) = 3
13. Al integrar una ecuacin diferencial de primer orden

xi +1

y(x) = f(x,y)

entre xi-1 y xi+1

se

xi +1

obtiene la expresin: y i+1 =


yi1 +
f(x,y) dx =
yi1 +
y '(x) dx ,
x i 1

a) Use la aproximacin: y '(x) p2 (s) = fi + sfi1 +


en donde

s=

x i 1

(s + 1)s 2
fi2
2

x xi
.
h

Obtenga una frmula aproximada con la cual pueda obtener puntos de la solucin.
b) Con la frmula calcule y(0.08) de la solucin de la ecuacin (1 + 2x) y + 0.9 y = 0, dados
la condicin inicial (0, 1) y dos puntos de la solucin: (0.02,0.9825), (0.04, 0.9660). Use h=0.02

259
10

MTODOS DE DIFERENCIAS FINITAS PARA RESOLVER


ECUACIONES DIFERENCIALES PARCIALES

En este captulo se estudiar el mtodo de diferencias finitas aplicado a la resolucin de


ecuaciones diferenciales parciales.
Sea u una funcin que depende de dos variables independientes x, y. La siguiente ecuacin
es la forma general de una ecuacin diferencial parcial de segundo orden:
F(x, y, u,

u u 2 u 2 u 2 u
,
,
,
,
)=0
x y x 2 y 2 xy

Una forma de clasificar estas ecuaciones es por su tipo: parablicas, elpticas e hiperblicas,
En forma similar a las ecuaciones diferenciales ordinarias, el mtodo numrico que usaremos
consiste en sustituir las derivadas por aproximaciones de diferencias finitas. El objetivo es
obtener una ecuacin denominada ecuacin de diferencias que pueda resolverse por mtodos
algebraicos. Esta sustitucin discretiza el dominio con espaciamiento que debe elegirse.

10.1 Aproximaciones de diferencias finitas


Las siguientes son algunas aproximaciones de diferencias finitas de uso comn para aproximar
las derivadas de u en un punto xi, yj, siendo x, y el espaciamiento entre los puntos de x, y
respectivamente. El trmino a la derecha en cada frmula representa el orden del error de
truncamiento.
ui,j
=
x
ui,j
=
y
ui,j
=
y
ui,j
=
x
u0,j
=
x

ui + 1,j u i,j
x
ui,j+ 1 u i,j

y
ui,j u i,j1

+ O(x)

(8.1)

+ O(y)

(8.2)

+ O(y)
y
ui + 1,j u i 1,j
+ O(x)2
2(x)
3u0,j + 4u 1,j u2,j
+ O(x)2
2(x)

(8.3)
(8.4)
(8.5)

2ui,j ui + 1,j 2u i,j +ui 1,j


=
+ O(x)2
x 2
(x)2

(8.6)

2ui,j ui,j+ 1 2u i,j +ui,j1


=
+ O(y)2
(y)2
y 2

(8.7)

260
10.2 Ecuaciones diferenciales parciales de tipo parablico
Estas ecuaciones se caracterizan porque en su dominio una de las variables no est delimitada.
Para aplicar el mtodo de diferencias finitas usaremos un ejemplo bsico para posteriormente
interpretar los resultados obtenidos.
Ejemplo. Resolver la ecuacin de difusin en una dimensin con los datos suministrados
2u
u
u(x,t):
=k
2
t
x
Suponer que u es una funcin que depende de x, t, en donde u representa valores de
temperatura, x representa posicin, mientras que t es tiempo,
Esta ecuacin se puede asociar al flujo de calor en una barra muy delgada aislada
transversalmente y sometida en los extremos a alguna fuente de calor. La constante k depende
del material de la barra. La solucin representa la distribucin de temperaturas en cada punto x
de la barra y en cada instante t
u(x, t)
Tb

Ta
L

To

Ta, Tb son valores de temperatura de las fuentes de calor aplicadas en los extremos. En este
primer ejemplo suponer que son valores constantes. To es la temperatura inicial y L es la
longitud de la barra.
Estas condiciones se pueden expresar de manera simblica en un sistema de coordenadas
u(0, t) = Ta, t 0
u(L, t) = Tb, t 0
u(x, 0) = To, 0 < x < L
Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u mediante una
malla con puntos en un plano en el cual el eje horizontal representa la posicin xi mientras que
el eje vertical representa el tiempo tj.
u=u(x,t), 0 x L, t 0

u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....

El mtodo de diferencias finitas permitir encontrar u en estos puntos.


Para el ejemplo supondremos los siguientes datos, en las unidades que correspondan
Ta = 60
Tb = 40
To = 25
k=4
L=1
Decidimos adems, para simplificar la aplicacin del mtodo que x = 0.25, t = 0.1
Con esta informacin se define el dominio de ui,j. En la malla se representan los datos en los
bordes y los puntos interiores que cuyo valor debe calcularse:

261

10.2.1

Un esquema de diferencias finitas explcito

Para el primer intento elegimos las frmulas (8.6) y (8.2) para sustituir las derivadas de la
ecuacin diferencial:
ui + 1,j 2u i,j +ui 1,j
ui,j+ 1 u i,j
2u
u
2

+ O(x) = k
+ O(t)
=k
2
2
t
t
(x)
x
Se obtiene la ecuacin de diferencias
ui + 1,j 2u i,j +ui 1,j
ui,j+ 1 u i,j
2
= k
, cuyo error de truncamiento es T = O(x) + O(t).
2
t
(x)
Si x, t 0 T 0 y la ecuacin de diferencias tiende a la ecuacin diferencial parcial
Para que esta sustitucin sea consistente, todos los trminos de la ecuacin deben tener un
error de truncamiento de orden similar. Esto significa que t debe ser menor que x,
aproximadamente en un orden de magnitud.
Es conveniente analizar cuales puntos estn incluidos en la ecuacin de diferencias. Para esto
consideramos un segmento de la malla y marcamos los puntos de la ecuacin.

Los puntos que estn incluidos en la ecuacin de diferencia conforman un tringulo. Este
tringulo puede colocarse en cualquier lugar de la malla asignando a i, j los valores apropiados.
Por ejemplo, si i=1, j=0, la ecuacin de diferencias se ubica en el extremo inferior izquierdo de la
malla. Los puntos en color rojo son los datos conocidos. Los puntos en amarillo son los puntos
que deben calcularse.

262

Se puede observar que solo hay un punto desconocido en la ecuacin. Por lo tanto, esta
ecuacin de diferencias proporciona un mtodo explcito de clculo. Esto significa que cada
punto de la solucin puede ser obtenerse en forma individual y directa cada vez que se aplica la
ecuacin.
Despejamos el punto desconocido ui,j+ 1
=
ui,j+ 1

Definiendo

t
(ui 1,j 2ui,j + ui + 1,j ) + ui,j
k(x)2
t
=
ui,j+ 1 =
(ui 1,j 2ui,j + ui + 1,j ) + ui,j
k(x)2

La ecuacin de diferencias se puede escribir

ui,j+ 1 = ui 1,j + (1 2 )ui,j + ui+ 1,j , i = 1, 2, 3; j = 0, 1, 2, . . .

La forma final de la ecuacin de diferencias se obtiene sustituyendo los datos del ejemplo:
t
0.1
==
= 0.4
k(x)2
4(0.25)2

ui,j+ 1 = 0.4ui 1,j + 0.2ui,j + 0.4ui + 1,j , i = 1, 2, 3; j = 0, 1, 2, . . .


La solucin se debe calcular sucesivamente para cada nivel tj hasta donde sea de inters
analizar la solucin de la ecuacin diferencial. Calculemos dos niveles de la solucin:
j = 0, i = 1:
i = 2:
i = 3:

u1,1 = 0.4u0,0 + 0.2u1,0 + 0.4u2,0 = 0.4(60) + 0.2(25) + 0.4(25) = 39


u2,1 = 0.4u1,0 + 0.2u2,0 + 0.4u3,0 = 0.4(25) + 0.2(25) + 0.4(25) = 25
u3,1 = 0.4u2,0 + 0.2u3,0 + 0.4u4,0 = 0.4(25) + 0.2(25) + 0.4(40) = 31

j = 1, i = 1:
i = 2:
i = 3:

u1,2 = 0.4u0,1 + 0.2u1,1 + 0.4u2,1 = 0.4(60) + 0.2(39) + 0.4(25) = 41.8


u2,2 = 0.4u1,1 + 0.2u2,1 + 0.4u3,1 = 0.4(39) + 0.2(25) + 0.4(31) = 33
u3,2 = 0.4u2,1 + 0.2u3,1 + 0.4u4,1 = 0.4(25) + 0.2(31) + 0.4(40) = 32.2

En el siguiente grfico se anotan los resultados para registrar el progreso del clculo

263

Para que la precisin de la solucin sea aceptable, los incrementos x y t deberan ser mucho
ms pequeos, pero esto hara que la cantidad de clculos involucrados sea muy grande para
hacerlo manualmente.

10.2.2 Estabilidad del mtodo de diferencias finitas


Existen diferentes mtodos para determinar la estabilidad del mtodo de diferencias finitas en el
proceso de clculo de la solucin. Si el mtodo es estable, entonces la ecuacin de diferencias
es consistente con la ecuacin diferencial original.
Criterio de Von Newman
Para analizar la estabilidad del mtodo de diferencias finitas se asocia una forma exponencial
compleja al error de truncamiento Ei, j en cada punto (xi ,tj). El objetivo es establecer alguna
relacin entre x y t tal que mantenga la consistencia entre la ecuacin de diferencias y la
ecuacin diferencial en el proceso de clculo.

Ei, j = e

1 xi +t j

Se define el coeficiente de amplificacin del error en dos iteraciones consecutivas:

=
M

Ei, j+ 1 e 1xi + (t j + t)
=
= e t
1 xi +t j
Ei,j
e

Entonces, si | e t | 1 el error no crecer en el tiempo y el mtodo de diferencias finitas es


estable.
Ecuacin de diferencias del mtodo explcito:
t
k(x)2
Ecuacin de los errores introducidos (se la obtiene restando de la ecuacin de diferencias, la
ecuacin de diferencias con cada trmino incluyendo el error de truncamiento respectivo):

ui,j+ 1 =
(ui 1,j 2ui,j + ui + 1,j ) + ui,j ,

1 xi + (t j + t)

Dividiendo por

1 (x + x) +t j

i
=
(e

2e

1 xi +t j

k xi +t j

e t = (e

1x

2+e

1i ( x)

)+1

Sustituyendo las frmulas equivalentes conocidas:


1x
e =
cos(x) 1sen(x)

Se obtiene luego de simplificar

e t = (2 cos(x) 2) + 1

+e

1 (xi x) +t j

)+e

1 xi +t j

264

La estabilidad est condicionada a: | e t | 1

| (2 cos(x) 2) + 1| 1
Sustituyendo los valores extremos de cos(x) = 1, cos(x) = 1
Se obtiene la restriccin para que este mtodo sea estable:
1
t
1

k(x)2 2
2
Si se cumple esta condicin, el error propagado no crecer.
Si se fija k y x, debera elegirse t para que se mantenga la condicin anterior.
Se puede verificar que si no se cumple esta condicin, el mtodo se hace inestable rpidamente
y los resultados obtenidos son incoherentes. Esto puede interpretarse como que la ecuacin de
diferencias ya no es consistente con la ecuacin original.
Desde el punto de vista del error de truncamiento x debera ser suficientemente pequeo para
que la informacin sea suficientemente precisa. Por otra parte, t debera ser aproximadamente
un orden de magnitud menor que x. Pero, desde el punto de vista del error de redondeo x y t
no deberan ser demasiado pequeos para evitar la acumulacin del error de redondeo

10.2.3 Instrumentacin computacional


El siguiente programa es una instrumentacin en MATLAB para resolver el ejemplo anterior y es
una referencia para aplicarlo a problemas similares. Los resultados obtenidos se muestran
grficamente.
Para la generalizacin es conveniente expresar la ecuacin de diferencias en forma estndar
ui, j+1 = (P) ui-1, j + (Q)ui, j + (R)ui+1,j, i = 1, 2, 3, . . . , n-1; j = 1, 2, 3, . . .
En donde P, Q, R dependen de los datos de la ecuacin que se desea resolver.
Para el ejemplo propuesto se tiene: ui,j+ 1 = ui1,j + (1 2 )ui,j + ui+ 1,j ,
% Ecuacin de diferencias estandarizada
% U(i,j+1)=(P)U(i-1,j) + (Q)U(i,j) + (R)U(i-1,j)
% P,Q,R son constantes evaluadas con los datos de la EDP
clf;
m=11;
% Nmero de puntos en x
n=100;
% Nmero de niveles en t
Ta=60; Tb=40;
% Condiciones en los bordes
To=25;
% Condicin en el inicio
dx=0.1; dt=0.01; % incrementos
L=1;
% longitud
k=4;
% dato especificado
clear x U;
U(1)=Ta;
% Asignacin inicial
U(m)=Tb;
for i=2:m-1
U(i)=To;
end

265
lambda = dt/(k*dx^2);
P=lambda;
Q=1-2*lambda;
R=lambda;
hold on;
title('Curvas de distribucin trmica');
xlabel('X (distancia)');
ylabel('U (temperatura)');
x=0:dx:L;
% Coordenadas para el grfico
plot(x,U,'r'); grid on; % Distribucin inicial
for j=1:n
U= edpdif(P,Q,R,U,m);
if mod(j,5)==0
plot(x,U,'r'); % Para graficar curvas cada 5 niveles de t
pause
end
end
function u=edpdif(P,Q,R,U,m)
% Solucin U(x,t) de una EDP con condiciones constantes en los bordes
% Mtodo explcito de diferencias finitas
u(1)=U(1);
for i=2:m-1
u(i)=P*U(i-1)+Q*U(i)+R*U(i+1);
end
u(m)=U(m);

Almacenar la funcin y el programa y ejecutarlo para obtener el grfico siguiente

Curvas de distribucin trmica para el ejemplo. La distribucin tiende a una forma estable.
La ejecucin controlada con el comando pause permite visualizar el progreso de los clculos

266
Con esta instrumentacin se puede verificar que al incrementar t a un valor tal que > 0.5 ,
ya no se cumple la condicin de estabilidad y el mtodo se hace inestable. Los resultados que se
obtienen son incoherentes.
10.2.4 Un esquema de diferencias finitas implcito
En un segundo intento elegimos las aproximaciones (8.6) y (8.3) para sustituir las derivadas de la
ecuacin diferencial
ui + 1,j 2u i,j +ui 1,j
ui,j u i,j1
2u
u
2

+ O(x) = k
+ O(t)
=k
2
2
(x)
t
t
x
Se obtiene la ecuacin de diferencias
ui + 1,j 2u i,j +ui 1,j
ui,j u i,j1
= k
t
(x)2
2
Su error de truncamiento es igualmente T = O(x) + O(t), debiendo cumplirse que t < x
Marcamos los puntos incluidos en esta ecuacin de diferencias.

Los puntos marcados conforman un tringulo de puntos invertido. Este tringulo correspondiente
a los puntos incluidos en la ecuacin de diferencias y puede colocarse en cualquier lugar de la
malla asignando a i, j los valores apropiados. Por ejemplo, si i=1, j=1, la ecuacin de diferencias
se aplicada en el extremo inferior izquierdo de la malla:

La ecuacin de diferencias ahora contiene dos puntos desconocidos. Si la ecuacin se aplica


sucesivamente a los puntos i=2, j=1 e i=3, j=1, se obtendr un sistema de tres ecuaciones
lineales y su solucin proporcionar el valor de los tres puntos desconocidos. Esta ecuacin de
diferencias genera un mtodo implcito para obtener la solucin.

ui + 1,j 2u i,j +ui 1,j


(x)

= k

ui,j u i,j1
t

T = O(x) + O(t), t < x

t
(ui + 1, j 2ui, j + ui 1, j ) = ui,j ui,j 1
k(x)2

267

Definiendo

t
, la ecuacin se puede escribir
k(x)2

ui 1,j + (1 2 )ui,j + ui + 1,j = ui,j1 , i = 1, 2, 3; j = 1, 2, 3, . . .


t
0.1
Finalmente con los datos ==
= 0.4 , se obtiene la forma final
k(x)2
4(0.25)2

0.4ui 1,j 1.8ui,j + 0.4ui + 1,j =


ui,j1 , i = 1, 2, 3; j = 1, 2, 3, . . .
La cual genera un sistema de ecuaciones lineales para obtener la solucin en cada nivel tj
Calcular un nivel de la solucin con este mtodo:
j = 1, i = 1:
i = 2:
i = 3:

0.4u0,1 1.8u1,1 + 0.4u2,1 = -u1,0


0.4(60) 1.8u1,1 + 0.4u2,1 = -25
0.4u1,1 1.8u2,1 + 0.4u3,1 = -u2,0
0.4u1,1 1.8u2,1 + 0.4u3,1 = -25
0.4u2,1 1.8u3,1 + 0.4u4,1 = -u3,0
0.4u2,1 1.8u3,1 + 0.4(40) = -25

-1.8 u1,1 + 0.4u2,1 = -49


0.4u1,1 - 1.8 u2,1 + 0.4u3,1 = -25
0.4u2,1 - 1.8 u3,1 = -41

Se tiene el sistema lineal


0 u1,1 49
1.8 0.4
0.4 1.8 0.4 u =

2,1 25
0
0.4 1.8 u3,1 41
Cuya solucin es
u1,1 33.0287

u2,1 = 26.1290
u3,1 28.5842

Un anlisis de estabilidad demuestra que el mtodo implcito no est condicionado a la magnitud


t
como en el mtodo explcito.
de =
k(x)2
10.2.5

Instrumentacin computacional

La siguiente instrumentacin del mtodo de diferencias finitas implcito permite resolver


problemas de tipo similar al ejemplo anterior. La ecuacin de diferencias debe escribirse en
forma estandarizada

(P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1, i = 1, 2, 3, . . . , m-1; j = 1, 2, 3, . . .


En donde P, Q, R dependen de los datos de la ecuacin que se desea resolver.
Para el ejemplo propuesto se tiene:
ui1,j + (1 2 )ui,j + ui+1,j = ui,j1
Se define una funcin EDPDIFPI que genera y resuelve el sistema de ecuaciones lineales en
cada nivel. El sistema de ecuaciones lineales resultante tiene forma tridiagonal, y por lo tanto se
puede usar un algoritmo especfico muy eficiente, la funcin tridiagonal cuya instrumentacin
fue realizada en captulos anteriores.

268

% Mtodo de Diferencias Finitas implcito para una EDP


% Ecuacin de diferencias estandarizada
% (P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1
% P,Q,R son constantes evaluadas con los datos de la EDP
clf;
m=11;
% Nmero de puntos en x
n=100;
% Nmero de niveles en t
Ta=60; Tb=40;
% Condiciones en los bordes
To=25;
% Condicin en el inicio
dx=0.1; dt=0.01;
% incrementos
L=1;
% longitud
k=4;
% dato especificado
clear x u U;
U(1)=Ta;
% Asignacin inicial
U(m)=Tb;
for i=2:m-1
U(i)=To;
end
lambda=dt/(k*dx^2);
P=lambda;
Q=-1-2*lambda;
R=lambda;
hold on;
title('Curvas de distribucin trmica ');
xlabel('X (distancia)');
ylabel('U (temperatura)');
x=0:dx:L;
% Coordenadas para el grafico
plot(x,U,'r');
% Distribucin inicial
for j=1:n
U =edpdifpi(P,Q,R,U,m);
if mod(j,5)==0
plot(x,U,'r'); % Para graficar curvas cada 5 niveles de t
pause
end
end
function U = edpdifpi(P, Q, R, U, m)
% Solucin de una EDP con condiciones constantes en los bordes
% Mtodo de Diferencias Finitas Implcito
% Generacin del sistema tridiagonal
clear a b c d;
for i=1:m-2
a(i)=P;
b(i)=Q;
c(i)=R;
d(i)=-1*U(i+1);
end
d(1)=d(1)-a(1)*U(1);
d(m-2)=d(m-2)-c(m-2)*U(m);
u=tridiagonal (a,b,c,d);
U=[U(1) u U(m)]; % Incluir datos en los extremos
Almacenar la funcin, el programa y ejecutarlo para obtener el grfico siguiente

269

Curvas de distribucin trmica para el ejemplo. La distribucin tiende a una forma estable.

10.2.6

Prctica computacional

Probar los mtodos explcito e implcito instrumentados computacionalmente para resolver el


ejemplo anterior cambiando x y t para analizar la convergencia de los esquemas de
diferencias finitas.
Realizar pruebas para verificar la condicin de estabilidad condicionada para el mtodo explcito
e incondicional para el mtodo implcito. Probar con = 0.4, 0.5, 0.6
10.2.7

Condiciones variables en los bordes

Analizamos la ecuacin anterior cambiando las condiciones inicial y en los bordes.


Suponer que inicialmente la barra se encuentra a una temperatura que depende de la posicin
mientras que en el borde derecho se aplica una fuente de calor que depende del tiempo y en el
extremo izquierdo hay una prdida de calor, segn las siguientes especificaciones:

u(x,t):

2u
u
, 0 x 1, t 0
=k
2
t
x
u(0,t)
t0
= 5 ,
x
u(1, t) = 20 + 10 sen(t), t 0
u(x, 0) = 40 x,
0<x<1
x = 0.25, t = 0.1, k = 4

Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u


u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....
La red con los datos incluidos en los bordes inferior y derecho:

270

Los puntos en color amarillo, en el borde izquierdo y en el centro, son desconocidos


Usamos el esquema de diferencias finitas implcito visto anteriormente:
ui + 1,j 2u i,j +ui 1,j
ui,j u i,j1
2
= k
, E = O(x) + O(t), t < x
2
t
(x)
t
(ui + 1, j 2ui, j + ui 1, j ) = ui,j ui,j 1
k(x)2
t
Definiendo =
, la ecuacin se puede escribir
k(x)2

ui 1,j + (1 2 )ui,j + ui + 1,j = ui,j1 , i = 1, 2, 3; j = 1, 2, 3, . . .


t
0.1
Finalmente se tiene la ecuacin de diferencias con los datos ==
=
0.4 ,
2
k(x)
4(0.25)2
Ahora la ecuacin es aplicada en cada punto desconocido, incluyendo el borde izquierdo:

0.4ui1,j 1.8ui,j + 0.4ui + 1,j =


ui,j1 , i = 0, 1, 2, 3; j = 1, 2, 3, . . .
La cual genera un sistema de ecuaciones lineales para obtener la solucin en cada nivel tj
A continuacin calculamos un nivel de la solucin con este mtodo:
j = 1,

i = 0:
i = 1:
i = 2:
i = 3:

0.4u-1,1 1.8u0,1 + 0.4u1,1 = -u1,0


0.4u0,1 1.8u1,1 + 0.4u2,1 = -u1,0
0.4u1,1 1.8u2,1 + 0.4u3,1 = -u2,0
0.4u2,1 1.8u3,1 + 0.4u4,1 = -u3,0
0.4u2,1 1.8u3,1 + 0.4(20.99) = -30

0.4u-1,1 1.8u0,1 + 0.4u1,1 = 0


0.4u0,1 1.8u1,1 + 0.4u2,1 = -10
0.4u1,1 1.8u2,1 + 0.4u3,1 = -20

0.4u2,1 1.8 u3,1 = -38.4

(1)
(2)
(3)
(4)

Se tiene un sistema de cuatro ecuaciones y cinco puntos desconocidos: u-1,1, u0,1, u1,1, u2,1, u3,1
incluyendo el punto ficticio u-1,1
u(0,t)
El dato adicional conocido:
= 5 es aproximado ahora mediante una frmula de
x
diferencias finitas central:
u0,j u1,j u1,j
2
=
= 5, j = 1, 2, 3, . . . , E = O(x)
x
2(x)

271
De donde se obtiene u-1,j = u1,j + 5(2x) para sustituir en la ecuacin (1) anterior:
j = 1, i = 0: 0.4u-1,1 1.8u0,1 + 0.4u1,1 = 0
0.4[u1,j + 5(2x)] -1.8u0,1 + 0.4u1,1 = 0 -1.8u0,1 + 0.8u1,1 = -1
En notacin matricial:
0
0 u0,1 1
1.8 0.8

0.4 1.8 0.4


0 u1,1 10

=
0
0.4 1.8 0.4 u2,1 20

0
0.4 1.8 u3,1 38.4
0
Cuya solucin es:

u0,1 = 5.4667, u1,1 = 11.0500, u2,1 = 19.2584, u3,1 = 25.6130

El sistema de ecuaciones lineales resultante tiene forma tridiagonal, y por lo tanto se puede usar
un algoritmo especfico muy eficiente para resolverlo.
10.2.8 Instrumentacin computacional
La siguiente instrumentacin del mtodo de diferencias finitas implcito permite resolver
problemas con una derivada en el borde izquierdo. Instrumentaciones similares se pueden
desarrollar si la derivada est a la derecha o en ambos bordes.
Dada la ecuacin diferencial parcial parablica con condiciones en los bordes:
u 2 u
u(0,t)
, 2 ) = 0, u(x,t0)=T0,
= 0, u(1,t)=Tb
u=u(x,t), F(t, x, u,
t x
x
Luego de sustituir las derivadas para el mtodo implcito se escribe la ecuacin de diferencias
estandarizada:
(P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1,

i = 1, 2, 3, . . . , m-1

Dato de la derivada en el borde izquierdo (i=0)

u0,j
x

u1,j u1,j
2(x)

= 0

u-1,j = u1,j - 2(x)0

Ecuacin de diferencias aplicada en el borde izquierdo: i = 0


(P)u-1,j + (Q)u0,j + (R)u1,j = -ui,j-1
Reemplazo de la derivada:
(P)(u1,j - 2(x)0) + (Q)u0,j + (R)u1,j = -ui,j-1
(Q)u0,j + (P+R)u1,j = -ui,j-1 + (P) 2(x)0
Ejemplo. Resolver la siguiente ecuacin diferencial parcial
u(x,t):

2u
u
, 0 x 1, t 0
=k
2
t
x
u(0,t)
t0
= 5 ,
x
u(1, t) = 60,
t0
u(x, 0) = 40,
0<x<1
x = 0.1, t = 0.1, k = 4

272

% Mtodo de Diferencias Finitas implcito para una EDP


% A la izquierda una derivada
% Condicin inicial y en el borde derecho constantes
% Ecuacin de diferencias estandarizada
% (P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1
% P,Q,R son evaluadas con los datos de la EDP
clf;
m=11;
% Nmero de puntos en x
n=50;
% Nmero de niveles en t
der0=-5;
% Derivada en el borde izquierdo
dx=0.1;
% Incrementos
dt=0.1;
L=1;
% longitud
k=4;
% dato especificado
clear x U;
T0=40;
% Condicin inicial
Tb=60;
% Condicin en el borde derecho
for i=1:m-1
U(i)=T0;
% Condicin en el inicio
end
U(m) = Tb;
% Borde derecho
lambda=dt/(k*dx^2);
P=lambda;
Q=-1-2*lambda;
R=lambda;
hold on;
title('Curvas de distribucin trmica');
xlabel('X (distancia)');
ylabel('U (temperatura)');
x=0:dx:L;
% Coordenadas para el grafico
t=0;
for j=1:n
U = edpdifpid (P, Q, R, U, der0, dx, m);
plot(x,U,'r');
pause;
end
function U = edpdifpid (P, Q, R, U, der0, dx, m)
% Mtodo de Diferencias Finitas Implicito
% EDP con una derivada a la izquierda
% Generacin del sistema tridiagonal
clear a b c d;
for i=1:m-1
a(i)=P;
b(i)=Q;
c(i)=R;
d(i)=-1*U(i);
end
c(1)=P+R;
d(1)=d(1)+2*dx*P*der0;
d(m-1)=d(m-1)-c(m-1)*U(m);
u=tridiagonal(a,b,c,d);
U=[ u U(m)];
% Incluir dato en el extremo

273
Almacenar la funcin, el programa y ejecutarlo para obtener el grfico siguiente
Curvas de distribucin trmica
65

U (temperatura)

60

55

50

45

40

0.1

0.2

0.3

0.4
0.5
0.6
X (distancia)

0.7

0.8

0.9

Curvas de distribucin trmica para el ejemplo.

10.2.9 Mtodo de diferencias finitas para EDP no lineales


Si la ecuacin tiene trminos no lineales, se puede adaptar un mtodo de diferencias finitas
explcito como una primera aproximacin.
Ejemplo. Formule un esquema de diferencias finitas para resolver la siguiente ecuacin
diferencial parcial no lineal del campo de la acstica
u(x,t):

u
u
2u
=
u
k 2
t
x
x

Se usarn las siguientes aproximaciones:


ui,j ui,j+ 1 u i,j
=
+ O(t)
t
t
ui,j ui + 1,j u i 1,j
=
+ O(x)2
x
2(x)

2ui,j ui + 1,j 2u i,j +ui 1,j


=
+ O(x)2
x 2
(x)2
Sustituyendo en la EDP

ui,j+ 1 ui,j
t

ui+ 1,j ui1,j


ui1,j 2ui,j + ui+ 1,j
=
ui,j
k
2(x)
(x)2

Se obtiene un esquema explcito de diferencias finitas que permitir calcular cada punto en la
malla que represente al dominio de la ecuacin diferencial siempre que estn previamente
definidas las condiciones en los bordes as como los parmetros k, t, x . Tambin debera
analizarse la estabilidad del mtodo.

ui,j+ 1 =t(ui,j

ui+ 1,j ui1,j


2(x)

ui1,j 2ui,j + ui+ 1,j

Con error de truncamiento: T = O(t) + O(x)2

(x)2

) + ui,j

274
10.3 Ecuaciones diferenciales parciales de tipo elptico
Este tipo de ecuaciones se caracteriza porque su dominio es una regin cerrada. Para aplicar el
mtodo de diferencias finitas usaremos un ejemplo particular para posteriormente interpretar los
resultados obtenidos.
Ejemplo. Resolver la ecuacin de difusin en dos dimensiones:
2u 2u
+
=
0
u(x,y):
x 2 y 2
Suponer que u es una funcin que depende de x, y, en donde u representa valores de
temperatura, x, y representan posicin.
Esta ecuacin se puede asociar al flujo de calor en una placa muy delgada aislada trmicamente
en sus caras superior e inferior y sometida en los bordes a alguna condicin. La solucin
representa la distribucin final de temperaturas en la placa en cada punto (x, y)

Ta, Tb, Tc, Td son valores de temperatura, suponer constantes, de alguna fuente de calor
aplicada en cada borde de la placa. L1, L2 son las dimensiones de la placa.
Estas condiciones se pueden expresar simblicamente en un sistema de coordenadas X-Y:
u(0, y) = Ta,
u(L1, y) = Tb,
u(x, 0) = Tc,
u(x, L2) = Td,

0 < y < L2
0 < y < L2
0 < x < L1
0 < x < L1

Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u mediante una
malla con puntos u(xi, yj), en la cual xi , yj representan coordenadas
u=u(x,y), 0 x L1, 0 y L2

u(xi, yj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ..., m

El mtodo de diferencias finitas permitir encontrar u en estos puntos.


Para el ejemplo supondremos los siguientes datos, en las unidades que correspondan
Ta = 60
Tb = 40
Tc = 50
Td = 80
L1 = 2
L2 = 1.5
Supondremos adems que x = 0.5, y = 0.5
Con esta informacin describimos el dominio de u mediante una malla con puntos en dos
dimensiones en la cual el eje horizontal representa la posicin xi mientras que el eje vertical
representa yj. En esta malla se representan los datos en los bordes y los puntos interiores que
deben ser calculados

275

10.3.1

Un esquema de diferencias finitas implcito

Elegimos las siguientes aproximaciones de diferencias finitas para sustituir las derivadas de la
ecuacin diferencial
2ui,j ui + 1,j 2u i,j +ui 1,j
=
+ O(x)2
x 2
(x)2

2ui,j ui,j+ 1 2u i,j +ui,j1


=
+ O(y)2
y 2
(y)2
ui,j+ 1 2u i,j +ui,j1
ui + 1,j 2u i,j +ui 1,j
2
2
+ O(x) +
+ O(y) = 0
(y)2
(x)2
Se obtiene la ecuacin de diferencias
ui + 1,j 2u i,j +ui 1,j
(x)

ui,j+ 1 2u i,j +ui,j1


(y)2
2

=0

Con error de truncamiento E = O(x) + O(y)

Para que esta sustitucin sea consistente, x debe ser muy cercano a y en magnitud.
Es conveniente analizar los puntos incluidos en la ecuacin de diferencias. Para esto
consideramos un segmento de la malla y marcamos los puntos de la ecuacin.

Los puntos marcados conforman un rombo. Este rombo describe los puntos incluidos en la
ecuacin de diferencias y puede colocarse en cualquier lugar de la malla asignando a i, j los
valores apropiados.
Por ejemplo, si i=1, j=1, la ecuacin de
diferencias se aplica al extremo inferior
izquierdo de la malla.
Se puede observar que la ecuacin de
diferencias contiene tres puntos
desconocidos

276

Si se aplica a todos los puntos interiores: i = 1, 2, 3 con j = 1, 2 se obtendr un sistema de seis


ecuaciones lineales con los seis puntos desconocidos cuyos valores se pueden determinar
resolviendo el sistema. Por lo tanto, la ecuacin de diferencias proporciona un mtodo implcito
para obtener la solucin. Una simplificacin adicional se obtiene haciendo x = y

ui + 1,j 2u i,j +ui 1,j


(x)

ui,j+ 1 2u i,j +ui,j1


(y)2

=0

Forma final de la ecuacin de diferencias:


ui 1,j + ui + 1,j + ui,j 1 + ui,j+ 1 4ui,j =
0 , i = 1, 2, 3; j = 1, 2

Esta ecuacin se aplica en cada punto desconocido de la malla

j = 1, i = 1: 60 + 50 + u2,1 + u1,2 - 4u1,1 = 0


i = 2: 50 + u1,1 + u3,1 + u2,2 - 4u2,1 = 0
i = 3: 50 + 40 + u3,2 + u2,1 - 4u3,1 = 0

-4u1,1 + u2,1
+ u1,2
= -110
u1,1 - 4u2,1 + u3,1
+ u2,2
= -50

u2,1 - 4u3,1
+ u3,2 = -90

j = 2, i = 1: 60 + 80 + u1,1 + u2,2 - 4u1,2 = 0


i = 2: 80 + u1,2 + u2,1 + u3,2 - 4u2,2 = 0
i = 3: 80 + 40 + u2,2 + u3,1 - 4u3,2 = 0

u1,1
u2,1

Se tiene obtiene un sistema de ecuaciones lineales

1 0
0 u1,1 110
4 1 0

1 4 1 0
1 0 u2,2 50

0
1 4 0
0
1 u3,2 90
=

0 4 1 0 u1,2 140
1 0
0
1 0
1 4 1 u2,2 80

0
1 0
1 4 u3,2 120
0
Cuya solucin es

- 4u1,2 + u2,2
= -140
+ u1,2 - 4u2,2 + u3,2 = -80
u3,1
+ u2,2 -4u3,2 = -120

277
u1,1 57.9917
u

2,1 56.1491
u 3,1 51.3251

u1,2 65.8178
u2,2 65.2795

u3,2 59.1511
Se ha usado un mtodo directo para resolver el sistema cuya forma es diagonal dominante, por
lo que tambin se podran usar mtodos iterativos dado que la convergencia es segura.

10.3.2

Instrumentacin computacional

La siguiente instrumentacin en MATLAB est diseada para resolver una ecuacin diferencial
parcial elptica con condiciones constantes en los bordes. Se supondr adems que x = y
Al aplicar la ecuacin de diferencias en los puntos de la malla, cada ecuacin tiene no ms de
cuatro componentes y tiene una forma adecuada para instrumentar un mtodo iterativo para
obtener la solucin.
Ecuacin de diferencias

ui 1,j + ui + 1,j + ui,j 1 + ui,j+ 1 4ui,j =


0 , i = 1, 2, 3,

; j = 1, 2, 3,

Frmula iterativa
(k + 1)
ui,j
=

1 (k)
(k)
(k)
(ui 1,j + ui(k)
+ 1,j + ui,j 1 + ui,j + 1 ) , k = 0, 1, 2, ...
4

(iteraciones)

En la siguiente instrumentacin se usa el mtodo de Gauss-Seidel para calcular la solucin


partiendo de valores iniciales iguales al promedio de los valores de los bordes.

% Programa para resolver una EDP Elptica


% con condiciones constantes en los bordes
Ta=60;Tb=60;Tc=50;Td=70;
% Bordes izquierdo, derecho, abajo, arriba
n=10;
% Puntos interiores en direccin horizontal (X)
m=10;
% Puntos interiores en direccin vertical (Y)
miter=100;
% Mximo de iteraciones
e=0.001;
% Error de truncamiento relativo requerido 0.1%
clear u;
for i=1:n+2
u(i,1)=Tc;
u(i,m+2)=Td;
end
for j=1:m+2
u(1,j)=Ta;
u(n+2,j)=Tb;
end
p=0.25*(Ta+Tb+Tc+Td);
%valor inicial interior es el promedio de los bordes
for i=2:n-1
for j=2:m-1
u(i,j)=p;
end
end

278
k=0;
%conteo de iteraciones
conv=0;
%seal de convergencia
while k<miter & conv==0
k=k+1;
t=u;
for i=2:n+1
for j=2:m+1
u(i,j)=0.25*(u(i-1,j)+u(i+1,j)+u(i,j+1)+u(i,j-1));
end
end
if norm((u-t),inf)/norm(u,inf)<e
conv=1;
end
end
if conv==1
disp(u);
% Muestra la solucin final en la malla
disp(k);
% Cantidad de iteraciones realizadas
[x,y]=meshgrid(1:m+2, 1:n+2);
% Malla para el grafico en tres dimensiones
surf(x,y,u)
% Grafico en tres dimensiones
colormap copper
% Color
shading flat
% Suavizado
else
disp('No converge');
end

Solucin numrica calculada en los puntos de la malla


60.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
60.0000

60.0000
55.0555
53.1504
52.3140
51.9277
51.7775
51.7911
51.9651
52.3661
53.2029
55.0911
60.0000

60.0000
57.1094
55.2931
54.2564
53.7079
53.4827
53.5081
53.7780
54.3539
55.3914
57.1760
60.0000

Error relativo:
Cantidad de iteraciones:

60.0000
58.1502
56.7522
55.8324
55.3016
55.0770
55.1116
55.3973
55.9657
56.8866
58.2412
60.0000

60.0000
58.8179
57.8553
57.1733
56.7603
56.5863
56.6271
56.8731
57.3301
58.0135
58.9249
60.0000

60.0000
59.3552
58.8149
58.4166
58.1708
58.0739
58.1173
58.2907
58.5835
58.9831
59.4689
60.0000

60.0000
59.8800
59.7729
59.6826
59.6256
59.6166
59.6589
59.7427
59.8454
59.9370
59.9908
60.0000

60.0000
60.4789
60.8462
61.0788
61.2131
61.2895
61.3274
61.3179
61.2245
60.9930
60.5780
60.0000

60.0000
61.2649
62.1676
62.7133
63.0120
63.1550
63.1856
63.0965
62.8308
62.2860
61.3448
60.0000

60.0000
62.4714
63.9325
64.7007
65.0824
65.2488
65.2700
65.1409
64.7821
64.0145
62.5267
60.0000

0.1%
41

Representacin grfica en tres dimensiones de la solucin calculada

60.0000
64.7253
66.4446
67.1404
67.4393
67.5585
67.5691
67.4687
67.1813
66.4858
64.7531
60.0000

60.0000
70.0000
70.0000
70.0000
70.0000
70.0000
70.0000
70.0000
70.0000
70.0000
70.0000
60.0000

279

70

65

60

55

50
15
15

10
10
5

5
0

Se puede suavizar el grfico escribiendo el comando


>> shading Interp

Los valores mas claros representan mayor temperatura


Con el editor de grficos se puede adems rotarlo y observarlo desde diferentes perspectivas

Vista superior. Los valores mas claros representan mayor temperatura

280
10.4 Ecuaciones diferenciales parciales de tipo hiperblico
En este tipo de ecuaciones el dominio est abierto en uno de los bordes Para aplicar el mtodo
de diferencias finitas usaremos un ejemplo particular para posteriormente interpretar los
resultados obtenidos.
2
2u
2 u
=
c
t 2
x 2
Suponer que u es una funcin que depende de x, t en donde u representa el desplazamiento
vertical de la cuerda en funcin de la posicin horizontal x, y el tiempo t, mientras que c es una
constante. L es la longitud de la cuerda

Ejemplo. Ecuacin de la onda en una dimensin: u(x, t):

Suponer que los extremos de la cuerda estn sujetos y que la longitud es L = 1


u = u(x, t), 0 x 1, t 0
u(0, t) = 0,
t0
u(1, t) = 0,
t0
Inicialmente la cuerda es estirada desplazando su punto central una distancia de 0.25
0 < x 0.5
0.5x,
u(x, 0) =
0.5(x

1),
0.5 < x < 1

Al soltar la cuerda desde la posicin indicada, sin velocidad inicial:


u(x,0)
=0
t
10.4.1

Un esquema de diferencias finitas explcito

Para aplicar el mtodo de diferencias finitas, debe discretizarse el dominio de u mediante una
malla con puntos en dos dimensiones en la cual el eje horizontal representa la posicin xi
mientras que el eje vertical representa el tiempo tj.
u=u(x,t), 0 x L, t 0

u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....

Elegimos las siguientes aproximaciones de diferencias finitas para las derivadas:


2ui,j ui + 1,j 2u i,j +ui 1,j
=
+ O(x)2
x 2
(x)2

2ui,j ui,j+ 1 2u i,j +ui,j1


=
+ O(t)2
t 2
(t)2
ui,j+ 1 2u i,j +ui,j1
2
2 ui + 1,j 2u i,j +ui 1,j
2
+ O(x) = c
+ O(t)
2
(t)
(x)2
Se obtiene la ecuacin de diferencias:

ui,j+ 1 2u i,j +ui,j1


(t)

=c

ui + 1,j 2u i,j +ui 1,j


(x)2
2

Cuyo error de truncamiento es E = O(x) + O(t)

281
Esta ecuacin se puede expresar de la siguiente forma:
c2 (t)2
ui,j+ 1 2u i,j + ui,j1 =
( ui + 1,j 2u i,j + ui 1,j )
(x)2
Mediante un anlisis se demuestra que si

c2 (t)2
1, entonces la solucin calculada con el
(x)2

mtodo de diferencias finitas es estable.


Para el ejemplo, suponer que c = 2, x = 0.2, entonces de la condicin anterior se tiene:
22 (t)2
= 1 t = 0.1
(0.2)2
Esta sustitucin permite adems simplificar:

ui,j+ 1 + ui,j1 = ui + 1,j + ui 1,j


La ecuacin incluye cuatro puntos dispuestos en un rombo.

La solucin progresa en la direccin t por lo que despejamos el punto en el vrtice superior.

ui,j+ 1 = ui + 1,j + ui 1,j ui,j1 ,

i = 1, 2, 3, 4;

j = 1, 2, 3, . . .

(1)

Se puede notar observando el grfico que para obtener cada nuevo punto de la solucin se
requieren conocer dos niveles previos de la solucin
Describimos el dominio de u mediante una malla con puntos en dos dimensiones en la cual el eje
horizontal representa la posicin xi mientras que el eje vertical representa tiempo tj. En esta
malla se representan los datos en los bordes y los puntos interiores que deben ser calculados

Siguiendo una estrategia usada anteriormente, expresamos el dato adicional


mediante una frmula de diferencias central:
ui,0 ui,1 ui,1
= = 0 ui,-1 = ui,1
t
2(t)

(2)

u(x,0)
=0
t

282

Esta ecuacin incluye el punto ficticio ui,-1 entonces debe evaluarse la ecuacin (1) cuando t=0:
j = 0:

ui,1 = ui + 1,0 + ui 1,0 ui,1 , i = 1, 2, 3, 4

Sustituyendo en esta ecuacin el resultado (2) se elimina el punto ficticio ui,-1


ui,1 = ui + 1,0 + ui 1,0 ui,1

ui,1 =

1
(ui + 1,0 + ui 1,0 ) , i = 1, 2, 3, 4
2

(3)

La ecuacin (3) debe aplicarse nicamente cuando t = 0, para encontrar ui,j en el nivel j=1
1
1
j = 0, i = 1: u1,1 =(u2,0 + u0,0 ) =(0.2 + 0) =
0.1
2
2
1
1
i = 2: u2,1 = (u3,0 + u1,0 ) = (0.2 + (0.1)) =0.15
2
2
1
1
i = 3: u3,1 = (u4,0 + u2,0 ) = (0.1 + (0.2)) =0.15
2
2
1
1
i = 4: u4,1 = (u5,0 + u3,0 ) = (0 + (0.2)) =0.1
2
2
Los valores calculados son colocados en la malla:

Ahora se tienen dos niveles con puntos conocidos. A partir de aqu se debe usar nicamente la
ecuacin (1) como un esquema explcito para calcular directamente cada punto en los siguientes
niveles j, cada uno a una distancia t = 0.1

ui,j+ 1 = ui + 1,j + ui 1,j ui,j1 , i = 1, 2, 3, 4;


j = 1,

j = 2,

j = 1, 2, 3, . . .

i = 1:

u1,2 =u2,1 + u0,1 u1,0 =0.15 + 0 (0.1) =0.05

i = 2:

u2,2 =u3,1 + u1,1 u2,0 =0.15 + (0.1) (0.2) =0.05

i = 3:

u3,2 =u4,1 + u2,1 u3,0 =0.1 + (0.15) (0.2) =0.05

i = 4:

u4,2 =u5,1 + u3,1 u4,0 = 0 + (0.15) (0.1) =0.05

i = 1:

u1,3 =u2,2 + u0,2 u1,1 =0.05 + 0 (0.1) = 0.05

i = 2:

u2,3 =u3,2 + u1,2 u2,1 =0.05 + (0.05) (0.15) =0.05

i = 3:

u3,3 =u4,2 + u2,2 u3,1 =0.05 + (0.05) (0.15) =0.05

283

j = 3,

i = 4:

u4,3 = u5,2 + u3,2 u4,1 = 0 + (0.05) (0.1) = 0.05

i = 1:

u1,4= u2,3 + u0,3 u1,2= 0.05 + 0 (0.05)


= 0.1

i = 2:

u2,4= u3,3 + u1,3 u2,2= 0.05 + 0.05 (0.05)


= 0.15

i = 3:

u3,4= u4,3 + u2,3 u3,2= 0.05 + 0.05 (0.05)


= 0.15

i = 4:

u4,4 = u5,3 + u3,3 u4,2 = 0 + 0.05 (0.05) = 0.1

etc.

10.4.2 Instrumentacin computacional


La siguiente instrumentacin del mtodo de diferencias finitas permite resolver problemas de tipo
similar al ejemplo anterior: extremos fijos, estiramiento central, velocidad inicial nula y parmetro
c2 (t)2
= 1 cuya ecuacin de diferencias es:
(x)2
1
ui,1 = (ui+ 1,0 + ui1,0 ) ,
i = 1, 2, 3, . . . , m-1 (Para el primer nivel j = 1)
2
ui,j+ 1 = ui + 1,j + ui 1,j ui,j1 i = 1, 2, 3, . . . , m-1 (Para los siguientes niveles j = 2, 3, 4, ...)
El esquema de clculo utilizado es explcito. Cada punto es calculado directamente mediante
funciones que entregan la solucin calculada y un programa que contiene los datos y muestra
grficamente la solucin. Se puede visualizar el movimiento de la cuerda incluyendo en el
programa los comandos pause y clf. En la ejecucin presione alguna tecla para visualizar el
movimiento.
% Mtodo de Diferencias Finitas explcito para una EDP Hiperblica
%
con parametro c^2 dt^2/dx^2 = 1
% Extremos fijos, distorsin en el centro y velocidad inicial cero
clf;
m=101;
% Nmero de puntos en x
n=500;
% Nmero de niveles en t
c=2;
% dato especificado
dx=0.01;
dt=sqrt(dx^2/c^2);
% incrementos
L=1;
% longitud
clear x U0 U1 Uj;
U0(1)=0;
% Extremos fijos
U0(m)=0;
x=0;
for i=2:m-1
% Posicin inicial de la cuerda
x=x+dx;
if x<L/2;
U0(i)=-0.5*x;
else
U0(i)=0.5*(x-1);
end
end
x=0:dx:L;
% Coordenadas para el grafico
plot(x,U0,'r');
% Distribucin inicial
axis([0,1,-0.5,0.5]);
pause;
clf;

284
U1(1)=U0(1);
% Calculo del primer nivel
for i=2:m-1
U1(i)=0.5*(U0(i-1)+U0(i+1));
end
U1(m)=U0(m);
plot(x,U1,'r');
axis([0,1,-0.5,0.5]);
pause;
clf;
for j=1:n
% Siguientes niveles
Uj(1)=U1(1);
for i=2:m-1
Uj(i)=U1(i+1)+U1(i-1)-U0(i);
end
Uj(m)=U1(m);
plot(x,Uj,'r');
axis([0,1,-0.5,0.5]);
pause;
clf;
U0=U1;
U1=Uj;
end
function U1= edpdifh1 (U0,m)
% Solucin U(x,t) de una EDP hiperbolica con parametro igual a 1
% Clculo del primer nivel de la solucion
U1(1)=U0(1);
for i=2:m-1
U1(i)=0.5*(U0(i-1)+U0(i+1));
end
U1(m)=U0(m);
function Uj= edpdifhj (U0,U1,m)
% Solucin U(x,t) de una EDP hiperbolica con parametro igual a 1
% Clculo de los siguientes niveles de la solucion
Uj(1)=U1(1);
for i=2:m-1
Uj(i)=U1(i+1)+U1(i-1)-U0(i);
end
Uj(m)=U1(m);
La ejecucin del programa produce el siguiente resultado grfico:
0.5
0.4
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Grfico de la cuerda en un instante de su desplazamiento

285
En la siguiente prueba el desplazamiento inicial es asimtrico. En el punto x=0.25, se tensa 0.25
hacia abajo y se suelta la cuerda. Las otras condiciones se mantienen igual.
Ecuacin de la cuerda en el instante inicial:

0 < x 0.25
x,

u(x, 0) = 1
3 (x 1), 0.25 < x < 1

En el programa anterior debe hacerse la siguiente sustitucin en las lneas 15 a 22

for i=2:m-1
x=x+dx;
if x<L/4;
U0(i)=-x;
else
U0(i)=1/3*(x-1);
end
end

% Posicin inicial de la cuerda

La ejecucin del programa produce el siguiente resultado grfico:


0.5
0.4
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Grfico de la cuerda en algn instante de su desplazamiento

286
10.5 Ejercicios con ecuaciones diferenciales parciales
1. Dada la siguiente ecuacin diferencial parcial de tipo parablico

2u
u
=
C =
, u u(x, t), 0 < x < 2, t > 0 , con las condiciones
2
x
t
a) u(x,0)=25 sen(x), 0<x<2
b) u(0,t)=10 t, t0
c)

u(2, t)
= 5, t 0
x

a) Calcule manualmente dos niveles de la solucin con el mtodo explcito de diferencias finitas
Utilice x=0.5, C=1.6
1
t
Para que el mtodo sea estable use la condicin
=
C(x)2 2
Use una aproximacin de diferencias finitas de segundo orden para la condicin c)
b) Calcule dos niveles de la solucin con el mtodo implcito de diferencias finitas. Use las
mismas especificaciones dadas en 1.

2. Con el criterio de Von Newman, analice la estabilidad del mtodo implcito de diferencias
finitas para resolver la EDP de tipo parablico. Demuestre que es incondicionalmente estable.
2u
u
=C
t
x 2
cui1,j + (1 2c)ui,j + cui+ 1,j =ui,j1 , c = t 2
C(x)
3. Resuelva la siguiente ecuacin diferencial parcial de tipo elptico con el mtodo de diferencias
finitas.

2u 2u
+
=0
x 2 y 2
u(0, y) = 10,
u(2, y) = 20 sen (y),
uy (x, 0) = 20,
u(x, 3) = 25x,

0y3
0y3
0x2
0x2

Determine u en los puntos interiores. Use x = y = 0.5


4. La siguiente ecuacin diferencial parcial de tipo hiperblico describe la posicin u de cierta
cuerda en cada punto x, en cada instante t

2u
2u
=
(1
+
2x)
, 0<x<1, t>0
t 2
x 2
Use las siguientes condiciones iniciales y de borde:
u(x, 0) = 0; 0x1
u(x,0)
= x(1 x)
t
Use x = t = 0.25, y encuentre la solucin cuando t = 1

287
5. Resolver el siguiente problema de valor en la frontera:

2u 2u
x 2 + y 2 = x + y , 0 < x < 1 , 0 < y < 1

y2
0,
0
,
1,
, 0 y 1
=
=
u
y
u
y
(
)
(
)

1 3

, 0 ) u ( x=
,1)
x , 0 x 1
u ( x=
6

a) Sustituya las derivadas por aproximaciones de diferencias finitas de segundo orden y


simplifique
b) Construya la malla de nodos. Use x=y=1/3
c) Obtenga el sistema de ecuaciones aplicando las condiciones de frontera
d) Resuelva el sistema y especifique el valor de u en cada nodo interior de la malla
6. Aplique el mtodo de diferencias finitas para resolver la ecuacin diferencial parcial:

2u 2u
+
+ cos (x + y ) + cos (x y ) = 0 , 0 < x < 2 , 0 < y < 4
x 2 y 2
Sujeta a las condiciones de frontera:

u (0 , y ) = cos( y ) , u ( 2 , y ) = 0 , 0 y 4
u ( x ,0 ) = cos( x ) , u ( x , 4 ) =

cos( x )
, 0 x 2
2

Utilice como tamao de paso

hx = 6 y h y = 12

288
BIBLIOGRAFA
1. Burden R., Faires J. Anlisis Numrico, Thomson Learning, 2002, Mexico
2. Gerald, C., Aplied Numerical Anlysis, Addison-Wesley Publishing Company
3. Conte S., Boor C., Anlisis Numrico Elemental, McGraw-Hill
4. Carnahan B., Luther H. Wilkes J., Applied Numerical Methods, John Wiley & Sons, Inc
5. Nakamura S., Anlisis Numrico y Visualizacin Grfica con MATLAB, Prentice-Hall
6. The Mathworks, Inc. Using MATLAB Computation, Visualization, Programming
7. Prez Lpez C. MATLAB y sus Aplicaciones a las Ciencias y la Ingeniera, Pearson Ed.

Das könnte Ihnen auch gefallen